基于无人机系统的作物表型分析方法集数据采集、处理和分析于一身，大大缩短和精简了作物表型研究的时间和过程。首先，利用小型无人机在作物种植区域进行图像数据的采集；获取完毕后利用专用的遥感图像处理技术，将其转换为三维点云，或进一步处理得到数字表面模型；最后，通过进一步分析，获取作物株高、叶面积指数等表型信息，或是针对植物病害所对应的性状进行检测。
数据采集
无人机遥感系统对于作物表型数据的采集一般于平坦地形中的试验田进行；有时根据作物种类和所处地势，也会需要在林地、丘陵等地形下进行采集。在影像获取时，选取太阳光辐射强度稳定的正午时段，天空晴朗无云的天气情况下进行作业。
无人机系统
微小型无人驾驶飞机主要有旋翼直升飞机和固定翼飞机两种，其中被主要应用于作物表型分析的是旋翼直升机，非常适用于规模化种植区的实时监测。小型无人机主要是通过借助分辨率较高的遥感传感设备以及监测系统，搭配包括飞行控制系统在内的众多系统而构建起的信息获取设备，用于采集各种类型的遥感信息。
无人机系统主要由飞行器、稳定云台、影像传感器等组成。其中飞行器是影像传感器及其稳定云台的搭载平台，是获取遥感数据的基础；稳定云台使得影像传感器在飞行过程中保持相对地面稳定的状态，从而避免了遥感影像的几何畸变，同时也保证了影像采集过程中成像角度的相对稳定。该系统可以搭载包括数字相机、多光谱成像仪等在内的若干设备，可以有效用于检测农田作物的表型信息数据。
无人机遥感平台的传感器受限于其载荷能力，除需要获取高精度图像外，还需满足轻质量和小尺寸的要求，RGB数码相机、3D数码相机、红外测温仪、热成像仪、荧光探针、多光谱相机、高光谱相机、激光雷达
和声纳设备是搭载于无人机遥感平台的主要传感器，其利用可见光、热、荧光、光谱和三维成像技术，可以直接或间接地测定与植物器官功能有关的生理特征和与病虫害有关的病理特征。
数据预处理
图像拼接
图像拼接技术是指将小范围图像拼接为大范围图像的技术。由于无人机所拍摄的图像往往范围较小，在需要获取大范围作物图像进行表型分析时，可利用此技术，通过事先设置的控制点，在若干小范围图像中匹配同名点以便寻找测区，进而实现这些图像的拼接。
数字表面模型（Digital Surface Model，DSM）及数字正射影像图（Digital OrthophotoMap，DOM）是经常被采用的运用图像拼接技术生成的两类模型。其中前者是指包含了地表建筑物、桥梁和树木等高度的地面高程模型，适合于获取株高等高度信息；后者是同时具有地图几何精度和影像特征的图像，适合于获取种植区域和面积等信息。
通过将无人机所采集到的图像与事先设置好的地面控制点套合，得到有效的作物种植区域，即测区，再通过导入控制文件进行参数的设置，生成3D 点云，最后通过空三解算操作，生成这些模型。
颜色转换和校正
颜色转换和校正是指利用诸如RGB、HIS 等的颜色模型，对图像进行颜色转换和校正，使其成为指定颜色空间的图像。由于无人机所拍摄的图像往往受到光照等多种环境因素的影响，在需要降低其因为这些影响所产生的失真时，可利用此技术，通过指定的颜色空间模型对图像进行校正。
图像分割
图像分割是指将图像中的目标物体与图像其余部分，即背景进行分离的技术。在需要将图像中的目标物体进行展现时，利用此方法，首先将图像转换为灰度图像，再将其中的像素点与事先确定好的阈值进行比对，最后将图像二值化以实现目标物体的提取。
数据分析
数据分析的过程中，预处理阶段所获取的DSM和DOM模型将发挥很大的作用，它们之间的组合，可为作物信息的获取提供关键支撑。同时，根据所要获取信息的不同，新的模型得以在图像数据的基础之上，依照各种方式建立，通过这些模型，研究者可将不同时期、不同来源的数据进行比对，以最终获取表型信息。
图像分析关键技术
运动结构算法（Structure From Motion，SFM）是一种基于无序图片进行三维重建的离线算法。只要所拍摄物体为静态三维物体，并且所拍摄图像基本覆盖了物体，该算法便可以在不知道相机拍摄时的绝对位置，也没有结构光进行标定的情况下，基于所拍摄的图像，对该物体进行三维重建，因而适合于位置变动的无人机对于静止的作物的拍摄。
SFM算法的实现过程可分为特征检测、特征匹配和运动中恢复结构的三个步骤。基于SFM 算法，可建立三维立体的作物表面模型（Crop Surface Models ，CSMs）提取出不同的表型特征，如株高、体积或面积信息，甚至作物形态。除了SFM，还有光谱图像分类、卷积神经网络等。
作物株高提取
作物株高可以间接地反映生物量积累，从而估算作物的产量，是进行生产调控的重要参考因素，因而也成为了作物表型分析领域中最常被获取的表型数据之一。想要获取作物的高度或高度变化，便需要知晓作物的顶端与地面，或是其他生长期作物的高度差，因而在不同时期所进行的数据采集，是必不可少的。
叶面积指数提取技术
叶面积指数（Leaf Area Index，LAI）是单位地表面积上植物叶单面面积的总和，是描述作物冠层结构重要的生理参数，能够反映作物健康状况，因而也是作物表型分析领域重点研究的表型性状。
植物病害检测技术
由于植物病害在数字图像中体现为异常的植株特征（如颜色或形状），因此需要一个预处理步骤，来提取这些特定的特征。深度学习允许计算机在没有人工干预的情况下，自主地学习寻找这些特征，卷积神经网络是代表，它在识别植物病虫害的工作过程可以分为网络模型定义、网络训练以及网络的预测三个阶段。
来源：袁培森, 薛铭家, 熊迎军, 翟肇裕, 徐焕良. 基于无人机高通量植物表型大数据分析及应用研究综述. 农业大数据学报, 2021,3(3): 62-75.