天然橡胶是一种重要的可再生工业资源,广泛应用于军事、民生和医疗等领域(Tan等人,2023年)。为了有效管理天然橡胶的生产,获取天然橡胶树的作物信息至关重要(Yang和Xu,2021年;Ait Issad等人,2019年)。在这些作物信息中,橡胶树的直径作为其生长状况和橡胶生产潜力的关键指标,不仅关系到橡胶采胶标准是否得到满足,还影响切割线的角度、轨迹、深度和乳胶产量(Putra等人,2021年)。目前,天然橡胶树的直径主要是通过人工测量的。然而,天然橡胶行业正面临劳动力老龄化、劳动力短缺和劳动力成本上升的挑战(Chen等人,2024年)。传统的人工测量方法无法满足当代农业对高效和低成本操作的需求。为了应对这些挑战并推动精准农业技术的发展,迫切需要采用成本效益高且高效的智能测量方法。
目前,测量胸高(DBH)直径的方法主要分为接触式和非接触式两种,接触式方法又进一步分为人工测量和仪器测量。人工测量使用传统的工具,如周长尺、卡尺和轮式测量仪(Borz等人,2022年;Daniel Ni??和Alexandru Borz,2023年),由于其简单性和低成本,仍然是主流方法。仪器测量则使用电子卡尺、激光传感器和电磁传感器(Zhao等人,2024a)对树干进行接触式测量。这种方法具有较高的测量精度,可以减少劳动力强度,但无法完全消除人工参与,且只能进行单点测量。
非接触式测量方法由于自动化程度高和智能化强,可以大大减少对人工劳动力的需求,越来越受到研究人员的关注,从而产生了多种DBH测量方法。然而,这些方法主要侧重于结合图像处理技术(Wu等人,2019年)和深度学习目标检测(Xu等人,2024年)与提供深度信息的传感器,如LiDAR传感器(Tsuchiya等人,2023年)、RGB-D传感器(Ahmed等人,2023年)和红外激光传感器(Zhao等人,2023年)。
基于LiDAR传感器的测量方法具有显著的优势,如高精度和高自动化程度。例如,Chau等人(2024年)将LiDAR扫描得到的原始点云帧整合成3D点云图,对点云图进行语义分割以提取树干和树冠等信息,并使用最小二乘椭圆拟合方法计算树干直径,测量误差在2厘米以内。然而,尽管LiDAR系统在各种环境中表现出极高的精度,但在密集和异构的森林中,其数据通常需要复杂的后处理算法来去除噪声和区分重叠的树冠(Wang等人,2023年)。此外,LiDAR设备的成本和操作复杂性限制了其广泛应用(Liang等人,2016年)。
与LiDAR传感器相比,RGB-D传感器和红外激光在硬件和计算成本方面更具优势,使其更易于应用于农业生产(Grondin等人,2023年;Ferrer-Ferrer等人,2023年)。例如,Tran等人(2023年)使用Intel Realsense D455深度相机捕捉树木的深度信息,并通过连续的非零像素段处理图像来确定树干边缘的位置,从而确定树干直径的测量位置。结合相似三角形的原理和勾股定理,计算出树干直径,有效测量了树干直径,并验证了该方法在林业管理中的实际应用潜力。
此外,随着深度学习技术的进步,视觉技术在收集关键作物信息方面展现出越来越大的潜力。例如,Qi等人(2024年)使用实例分割方法提取番茄茎,并结合RGB-D传感器的深度图像信息测量主茎的直径,精度达到1.5毫米以内。此外,Ahmed等人(2023年)将实例分割与深度相机结合,并使用主成分分析估计树枝直径,实现了苹果树树干和树枝的直径测量。Shao等人(2022年)还使用智能手机收集目标树木的图像,并利用激光测距仪测量智能手机到树干的水平距离,根据摄影测量原理确定树木的直径。
传统的图像处理技术通常需要降噪和额外的算法处理来提取目标作物信息(Sappa 2006年),在复杂的应用场景或目标作物重叠的情况下,传统算法难以准确提取目标作物信息(Luo等人,2024年)。相比之下,实例分割算法结合了目标检测和语义分割,能够在复杂环境中直接提取目标作物轮廓(Liu等人,2024年;Zhang等人,2024a),从而实现更准确和高效的提取任务。此外,实例分割算法在光照不均匀和目标遮挡等复杂场景中表现出强大的鲁棒性和泛化能力,为非结构化操作环境提供了有前景的应用前景。因此,结合实例分割和深度信息的树干直径测量方法可以有效测量目标作物的直径信息。
You Only Look Once(YOLO)系列以其高实时性能和检测精度而闻名,被广泛应用于农业视觉任务。作为单阶段检测器,YOLO在速度和识别性能之间取得了更好的平衡,相比R-CNN(He等人,2020年)为代表的两阶段方法更为适用,更适合边缘部署和计算资源有限的农业场景(Shen等人,2025年)。例如,使用改进的YOLOv5实例分割模型对番茄进行侧枝修剪点和定位的研究,在复杂环境中展示了高精度的实时分割能力,验证了改进YOLO方法在实例分割任务中的实用性和优势。同样,改进的YOLOv8s-seg网络在花朵授粉点的定位和分割中实现了细粒度实例分割和果实的精确分割(Zhang等人,2024b)。此外,更先进的YOLO11在番茄缺陷的快速分割和分级检测中的应用(Xue等人,2025年)展示了新一代YOLO变体在细粒度实例分割和分级任务中的潜力。总之,YOLO实例分割模型与深度信息的结合应用能够有效测量目标作物的尺寸参数,为自动化农业测量和检测提供了广泛的应用前景。
然而,本研究的工作环境与上述研究存在一些差异。为了便于管理,大规模或示范性的天然橡胶树种植园会在每棵橡胶树的树干上贴上标准化的标签。这些标签记录了种植日期、品种和健康状况等信息,使针对单个树木的定制化管理成为可能,从而实现精准管理。由于树ID的尺寸已知,它们可以作为参考,省略额外的深度信息,通过实例分割算法提取树ID和树干的轮廓,从而在非固定距离条件下实现树干直径的测量。
为了解决上述问题,本研究提出了一种结合YOLO实例分割算法和单目RGB相机的方法,无需固定距离和额外的深度传感器,可以在复杂的森林环境中非接触式测量天然橡胶树的直径。实例分割算法用于提取橡胶树树干、树ID和测量位置的轮廓。橡胶树干上统一大小的树ID作为内置的尺寸参考,树干直径直接通过比例算法计算得出。该方法消除了对额外深度信息收集的需求,显著降低了硬件成本和计算需求,从而实现了低成本和高效率的橡胶树干检测和直径测量。因此,它为天然橡胶的智能化管理和大规模生产示范提供了一条新的技术途径。