Robust QR Code Detection in Oblique Aerial Images for Agricultural Field Experiments
Gudrun Kinz · Hermann Buerstmayr · Peter M. Roth
提出并评估了在45°斜视无人机图像中检测田间二维码标记的可复现流程，解码成功率达98.2%。
结合手动ROI、预处理、旋转扫描及OpenCV与pyzbar双后端解码，使用50
491/500个二维码成功解码，9个失败均因码可见性不完整，平均处理时间约0.41秒/ROI。
可探索斜视图像下多类基准标记的鲁棒检测与自动ROI定位，并接入生长季表型分析流程。
该论文提出斜视无人机影像中QR码检测的可复现流程，在500个样本中解码成功率达98.2%，为精准农业田间试验的地块标识提供了实用方案，方法新颖且数据可靠，但属细分技术进展，影响范围有限。
精准农业中的田间试验需要将植物变异可靠地关联到试验小区，而这在倾斜航空影像中较为困难，因为无人机位置并不能标识所成像的地面位置。我们提出并评估了一套可重复的工作流程，用于在作物生长前以45°视角获取的小麦田高分辨率无人机影像中检测QR参考标记。该工作流程结合了人工定义的感兴趣区域、有记录的前处理步骤、旋转扫描，以及对OpenCV和pyzbar解码后端的独立评估。选择QR码用于实际田间部署，是因为其有效载荷可直接编码小区标识符，并可用普通智能手机进行核验；本研究并未将QR码与其他基准标记类型进行基准比较。在来自20幅影像的500个田间采集QR码裁剪区域中，491个码（98.2%）被成功解码；全部9个失败案例均存在码可见性不完整的问题。因此，所观察到的结果是测试配置下图像采集与解码共同作用的系统级结果，而非整个生长季的运行精度。在标准PC上，每个感兴趣区域的平均处理时间约为0.41 s。该工作证明了在上述生长前条件下QR标记检测的可行性，并为未来的小区标签参考、校准以及下游赤霉病（Fusarium Head Blight）表型分析提供了基础。