3. 苗木视觉特征与计数难点分析

在苗木计数任务中，真正决定算法上限的往往不是模型结构，而是图像本身“好不好数”。同一批苗木，在苗圃俯拍图中可能整齐可辨，换到田间侧拍或无人机斜视图中，就会因为形态差异、相互遮挡、杂草混生和尺度跨度而变得难以稳定计数。理解这些难点的成因，并针对性地设计采集、预处理与识别策略，是视觉计数从“能跑通”走向“可交付”的关键一步。

一、幼苗形态多样性：同一类别，不同“长相”

苗木在计数场景中通常被当作单一类别处理，但其视觉表现差异极大。以常见的容器苗或裸根苗为例，针叶苗呈细长锥形、枝叶密集；阔叶苗叶片宽大、轮廓不规则；刚移栽的幼苗可能只有两三片真叶，冠幅不足十像素；而生长较久的苗木则枝叶舒展、彼此交叠。同一块苗床里，苗龄、品种、修剪状态不同，都会让“苗木”这一类别在颜色、纹理、形状上呈现连续变化。

这种类内差异带来的直接后果是：基于固定颜色阈值或固定形状模板的方法容易漏检或误检。例如用绿色指数分割时，发黄、带土或刚浇过水的苗木会被削弱；用圆形或锥形模板匹配时，阔叶苗和倾斜苗会被排除。更稳妥的思路是把“形态”从硬规则转为可学习的特征表达，同时保留一定的几何先验。实践中可以这样做：先按品种或苗龄分组建模，避免用一套参数覆盖所有苗；在标注阶段明确“单株”的判定边界，例如以主茎基部位置作为计数点，而不是以冠幅中心计数，这样即使枝叶交叠，计数点仍相对唯一。

二、遮挡与重叠：计数点比轮廓更可靠

遮挡是苗木计数中最常见的误差来源。俯拍时，相邻苗木的叶片相互覆盖，冠幅连成一片；斜拍时，前排苗木遮住后排，形成明显的透视重叠。若以“检测完整轮廓”为目标，遮挡苗几乎必然被漏计。因此，计数任务的目标应从“分割每一株的完整形状”转向“定位每一株的稳定标识”。

主茎基部、种植穴中心、容器边缘中心，都是比冠幅更稳定的计数锚点。以穴盘育苗为例，每个穴孔的位置固定，即使苗叶外溢，穴孔中心仍是可靠计数点；在大田场景中，则可以结合种植行距先验，用行检测约束候选点，减少重叠区域的重复计数。对于密集重叠区，可采用“先检测、后去重”的策略：检测阶段允许同一株产生多个候选响应，再用非极大值抑制或基于距离的聚类合并，阈值可参考实际株距设定，例如株距约 15 厘米、图像分辨率为每厘米 8 像素时，合并半径可设在 40～60 像素量级，具体需按实际成像比例标定。

三、背景干扰：杂草、土壤与阴影

苗圃背景远比实验室复杂。杂草与苗木同为绿色植被，颜色和纹理高度相似；裸露土壤、覆盖物、灌溉痕迹会形成斑块；晴天强光下的阴影会压低局部亮度，让苗木与背景的对比度骤降。这些因素共同导致“前景—背景”分离不稳定。

应对背景干扰，单靠颜色空间变换往往不够。更有效的组合是：在采集端控制光照条件，例如选择阴天或清晨拍摄、加装遮阳网、避免正午顶光；在预处理端做局部对比度增强与阴影抑制，例如在 HSV 空间中对亮度通道做限制对比度自适应直方图均衡，再结合饱和度与色调约束提取植被候选区；在识别端引入纹理和上下文特征，让模型学会区分“苗木的规则排列”与“杂草的随机分布”。如果苗木按行种植，行结构本身就是极强的背景抑制先验，可先估计行方向，再在行带内做候选检测，能显著减少行间杂草的干扰。

四、尺度变化与密度不均：一套参数难以通吃

尺度变化来自两方面：一是成像距离与角度不同，同一株苗在近景图中可能占据数百像素，在远景图中只有十几像素；二是苗木自身生长差异，幼苗与成苗的冠幅可相差数倍。密度不均则表现为苗床边缘稀疏、中心密集，或不同地块种植密度本身不同。二者叠加，会让固定尺寸的检测窗口和固定阈值的计数逻辑失效。

工程上通常采用多尺度策略：构建图像金字塔，在不同缩放层级上分别检测，再融合结果；或使用对尺度变化更鲁棒的特征金字塔网络结构。对于密度不均，可按图像分块统计，块内采用自适应阈值，块间再做一致性校正，避免稀疏区阈值过松、密集区阈值过紧。下面这张图概括了四类难点从成因到应对思路的对应关系，可作为方案设计时的检查框架。

五、把难点转化为可执行的检查项

面对上述四类难点，建议在方案设计阶段先做一次“图像可数性”评估，而不是直接调模型。评估可以围绕几个具体问题展开：单株苗木的计数锚点是否清晰可见？最小苗与最大苗的像素尺寸比是多少？重叠区是否超过冠幅的一半？杂草与苗木在颜色和纹理上是否可分？行结构是否存在？这些问题的答案会直接决定采集方案和算法路线。

例如，若评估发现最小苗仅约 12 像素、最大苗超过 200 像素，就应优先考虑多尺度检测或提高采集分辨率，而不是单纯增大检测窗口；若重叠区普遍超过冠幅一半，就应放弃轮廓分割路线，转向锚点检测；若杂草干扰严重且无行结构，则应加强采集端控光与背景清理，或在标注中显式加入“杂草”负样本类别。把难点拆成可判断、可量化的检查项，才能让后续的计数结果具备可解释的误差来源，而不是一个无法复现的准确率数字。