植物种群计数是农业生产中评估作物健康的重要指标。传统上，植物出苗率是通过手动计数的方法得出，但这种方法劳动密集且仅能对田地的有限区域进行采样，因此缺乏全局视角。近年来，利用无人机（UAV）获取田地的航拍图像，并通过深度学习模型进行自动计数成为一种有效的新方法。这一方法可以覆盖更大面积的田地，提高了计数的效率和准确性。然而，目前的植物检测模型通常在面对与训练集显著不同的图像时表现较差，这种分布转移（distribution shift）问题在农业环境下尤其常见，原因包括不同的天气、光照条件、田地环境等。因此，提升模型的泛化能力，尤其是在未知场景中的表现，成为该领域的重要课题。

2024年10月，Plant Phenomics在线发表了University of Saskatchewan题为 Counting Canola: Towards Generalizable Aerial Plant Detection Models 的研究论文。

该研究以油菜幼苗的航拍图像为数据基础，探讨了三种数据集属性对模型泛化能力的影响：数据集大小、数据集的多样性以及标注的质量。研究团队首先构建了一个包含多个田地和不同采集条件的油菜幼苗数据集，并开发了一个名为“Canola Counter”的网络工具，如图1所示，用来帮助研究者进行图像标注和模型训练。接下来，通过一系列实验分析了这三种因素对模型在训练集分布内（in-distribution，ID）和分布外（out-of-distribution，OOD）数据的表现。

图1 Canola Counter的网页截图

图2 从四个训练集和四个OOD测试集中提取的 416x416 样本图像块

该研究的创新性成果在于：一是揭示了数据集多样性和标注质量对模型泛化能力的关键影响，特别指出多样化的训练数据可显著提升模型在不同场景下的表现；二是分析了不同标注噪声对模型精度的影响，提出在以计数为主的应用中可以降低对标注精确度的要求，以减少标注成本；三是开发了Canola Counter工具，支持从图像标注到模型训练的全流程，方便农业研究者快速获取作物种群数据。该研究公开了数据集和工具，为提升农业种群检测模型的泛化性提供了重要资源。

该研究对于作物健康的早期监测具有重要意义。无人机和深度学习相结合的植物计数方法能够有效替代传统的手工计数，提高田间健康评估的效率和准确性。更重要的是，该研究针对实际应用中不同场景下的分布转移问题提出了解决方案，为农业领域的智能检测模型研究提供了重要的理论和实验支持。

论文链接：

https://doi.org/10.34133/plantphenomics.0268‍

——推荐阅读——

Affordable Phenotyping at the Edge for High-Throughput Detection of Hypersensitive Reaction Involving Cotyledon Loss

https://doi.org/10.34133/plantphenomics.0204

Plant Phenomics | 经济实惠田间表型分析快速检测幼苗敏感反应

Cucumber Seedling Segmentation Network Based on a Multiview Geometric Graph Encoder from 3D Point Clouds

https://doi.org/10.34133/plantphenomics.0254

Plant Phenomics | 扬州大学缪旻珉教授团队提出基于多视角几何图编码器的黄瓜幼苗三维点云分割网络

加入作者交流群