米制种田中雄穗状态不仅是玉米生长发育阶段的重要指标，更直接反映了去雄作业的效果。准确监测雄穗状态对于确定去雄方式、把握最佳去雄时机以及筛查遗漏的母本雄穗等关键环节起着决定性作用。然而，目前制种员主要依赖田间巡查和经验判断，这种方法往往存在信息不全面等局限性。此外，现有的雄穗检测模型多针对特征明显的成熟雄穗，难以准确识别未露头雄穗或去雄后的植株。

为解决这些问题，北京市农林科学院信息技术研究中心的杜建军研究团队提出了一套创新的玉米制种田雄穗状态评估技术方案。该方案结合了低成本、高效率和灵活性的无人机技术，实现了高通量的田间监测；通过人工智能技术高效解析无人机采集的影像数据，能够快速提取和分析制种田内雄穗的生长发育状态。通过采用数据标注、检测模型的优化选择以及分块模式评估等一系列先进策略，实现了对制种田玉米雄穗状态的精准检测，为一线制种员提供了直接技术支持，有望显著提升玉米制种的整体质量和效率。

2024年6月，Plant Phenomics在线发表了北京市农林科学院信息技术研究中心题为Detection and Identification of Tassel States at Different Maize Tasseling Stages Using UAV Imagery and Deep Learning 的研究论文。

本研究针对玉米制种田父母本雄穗状态检测与鉴定的实际需求，提出一套适用于抽雄期前后复杂场景的雄穗状态识别和鉴定方法，主要包括创新性工作：首先，提出了融合多阶段雄穗特征的数据标注和增强策略；其次，构建了系列基础数据集并通过基准测试优化了检测模型架构和超参数；最后，提出了基于无人机影像分块模式的数据定量测试方法。实验结果表明，该方法在准确识别玉米抽雄期前后植株雄穗状态方面表现出色，基于增强数据优化的检测模型在所有类别中实现了平均94.5%的检测精度，而采用分块策略的优化模型组合可将准确率提升至98%。

图1 玉米雄穗状态及其检测与鉴定流程. (A) 基于人工标注的NSL-A数据集；(B) 评估标注边界框尺寸；(C) 基于尺寸调整后的NSL-B数据集；(D) 评估不同的网络架构和超参；(E) 数据增强后的NSL-C数据集；(F) 选择检测模型；(G) 基于测试数据集的结果；(H) 不同图像分块模式下识别雄穗状态。其中，A1、A2和A3为3个雄穗类别的代表样本。

图2 通过评估检测模型的准确性来确定标注目标边框大小。(A) 以50像素为增量；(B) 以10像素为增量。

图3 基于FLOPs、参数量、效率(FPS)和准确性(mAP@0.5)指标对目标检测模型进行评估。

图4 基于NSL-C数据集评估不同参数规模的RTMDet模型。

图5 基于NSL-T测试数据集的3个穗类别检测结果比较。(A) 不同模型检测结果比较；(B) 不同检测模型对穗类别的整体评估。

图6 玉米制种3个阶段中雄穗状态检测和评估结果。(A) 小穗阶段(Tassel-S类别在数量上占优势，尽管也有零星出现的Tassel-L类别)；(B) 抽穗阶段(Tassel-L开始涌现)；(C) 去雄后阶段(母本区域基本均为Tassel-N类别，父本行植株处于Tassel-S和Tassel-L阶段）。

北京市农林科学院信息技术研究中心杜建军研究员为第一作者兼通讯作者，西北农林科技大学硕士研究生李金瑞为并列第一作者，北京农林科学院信息技术研究中心郭新宇研究员和赵春江院士为论文的共同通讯作者。该研究得到了国家重点研发计划（2022YFD1900701）、黑龙江省“揭榜挂帅”科技攻关项目（20212XJ05A02）、北京市农林科学院协同创新中心建设项目（KJCX20230429）、国家自然科学基金（U21A20205）等项目的部分支持。

作者团队介绍

杜建军，北京市农林科学院信息技术研究中心研究员。研究领域：（1）作物多尺度表型技术与产品；（2）图像处理与人工智能；（3）生物力学仿真。招收机器视觉、遥感、地理信息和AI大数据方向的博士后、硕士研究生，同时欢迎客座学生的加入。

论文链接：

‍https://doi.org/10.34133/plantphenomics.0188

——推荐阅读——

Recognition and Localization of Maize Leaf and Stalk Trajectories in RGB Images Based on Point-Line Net 

https://doi.org/10.34133/plantphenomics.0199

Plant Phenomics | Point-Line Net：一种自上而下的田间玉米叶脉生长轨迹检测模型

Three-dimensional modelling of maize canopies based on computational intelligence

https://doi.org/10.34133/plantphenomics.0160

Plant Phenomics | 安徽大学联合北京市农林科学院信息技术研究中心提出了基于计算智能的玉米冠层三维建模方法