湿地松（Slash pine）因其生长迅速、耐旱耐涝、松脂产量高而在我国南方广泛种植。通过遗传选育优良性状，可以有效提升松脂和木材的产量。在湿地松的众多表型性状中，抽梢密度（每棵树抽梢的数量）的大小可作为衡量木材选择和树脂产量的重要指标，并与湿地松养分吸收、树木生长、体积大小密切相关。传统的抽梢密度计算大多依赖于人工计数。作者在前期工作中（论文“CountShoots: Automatic detection and counting of slash pine new shoots using UAV imagery”），构建了基于密度估计的湿地松抽梢量计数模型，取得了较好的效果，但上述工作的正常开展普遍需要以充足且准确的数据为支撑，而该过程不仅耗时且人工标注成本很高。因此如何有效降低标注成本同时保证模型的性能，是提升湿地松抽梢量计数工作的关键，也是深度学习模型应用与发展的重要研究课题。

2024年8月，Plant Phenomics在线发表了由山东农业大学与中国林业科学研究院亚热带林业研究所联合完成的题为MTSC-Net: A Semi-Supervised Counting Network for Estimating the Number of Slash pine New Shoots的研究论文。

该论文首次提出将半监督方法用于湿地松抽梢量计数。首先，基于Mean-Teacher框架，使用调整的VGG-19提取抽梢的多尺度特征。其次，引入注意力特征融合模块加强局部位置信息和全局通道特征之间的连接，获取更加细节有用的抽梢特征。最后，通过带有回归头和分类头的多尺度空洞卷积对抽梢密度图和密度概率分布进行细粒度处理以加强模型对于抽梢空间分布的理解。此外，引入了补丁对齐的随机遮盖建模策略，以增强对全局新梢特征的上下文理解。实验结果显示，MTSC-Net在标注比例从5%到50%的情况下，优于其他半监督计数模型。当标注比例为5%时，其平均绝对误差和均方根误差分别为17.71和25.49，表明该研究可作为一种有效的半监督计数方式为树木的育种和遗传利用提供自动化方法支撑。

山东农业大学信息学院学生张兆旭为本文第一作者，郝霞副教授与郭旭超副教授分别为本文第一、第二通讯作者，亚林所李彦杰副研究员重点参与了该项研究。该成果得到了山东省自然科学基金青年项目（ZR2023QF016）、生物育种重大项目（项目编号2023ZD040580105）以及中国林业科学研究院基本科研业务费（CAFYBB2022QA001）的资助。

论文链接：

https://doi.org/10.34133/plantphenomics.02‍28‍

相关代码开源：

https://github.com/zzx/MTSC-Net。

——推荐阅读——

Geographic-Scale Coffee Cherry Counting with Smartphones and Deep Learning

https://doi.org/10.34133/plantphenomics.0165

Plant Phenomics | 利用智能手机和深度学习进行地理尺度的咖啡樱桃计数

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images

https://doi.org/10.34133/plantphenomics.0020‍

Plant Phenomics ESI高被引论文 | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法

加入作者交流群