2019年6月，Plant Phenomics刊发了由来自美国爱荷华州立大学、日本东京大学等机构的科学家撰写的题为A weakly supervised deep learning framework for sorghum headdetection and counting的研究论文，介绍了一种用于高粱头状花序检测和计数的弱监督深度学习框架。

高粱（Sorghum bicolor L. Moench）等谷类作物的产量取决于头状花序在不同分枝结构中的分布。因此，如果育种家要在具体的育种领域进行基因型变异的相互关联，计数单位面积的头状花序至关重要。然而，手工测量这些表型性状是一个非常耗时费力的过程，并且存在人为错误和效率低下等问题。此外，这一过程几乎不可能用于大规模育种种植园或大规模实验。基于机器学习的方法[如基于深度卷积神经网络（CNN）的目标检测器]是进行目标检测和计数的有前景的方法。然而，这种基于深度学习的方法的一个显著局限是，它们通常需要大量手工标记的图像来进行训练，这仍然是一个繁琐的过程。

在此，本文提出了一个主动学习启发弱监督深度学习的框架，在无人机图像中进行高粱头状花序的检测和计数。研究人员证明，使用半训练的CNN模型（即，用有限的标记数据进行训练）进行综合标注，可以显著减少人工标注工作而不损失较终的模型性能（人工计数和机器计数之间的R2为0.88）。此外，研究人员还可视化了网络学习的技术参数。这些可以使用户较好地理解和信任经过训练的深度学习模型所做出的决策，从而提高可信度。

RetinaNet: the deep learning architecture adopted in our framework.

从此研究中总结出的结论如下：

本研究提出的弱监督方案显著提高了训练数据的生成效率，否则这将是一个较其繁琐、昂贵和耗时的过程。

只需很少的手工标记的数据样本（40张图像）就可以得到理想的结果。

本研究提出的深度学习模型对于不同位置和不同光照条件下获得的图像具有足够的鲁棒性。

在本研究的1260张图像测试集上，mAP(平均精度均值)为0.94，IoU（交并比）≥0.5，且实现了高精度计数（在小区水平上R2= 0.8815）。

通过这项研究，一个直观且有趣的观察是，对于农业领域的目标检测，标记相似的图像不会增加模型的准确性。这里的“相似”图像是指具有相同高粱基因型实例的两个不同的图像样本，即图像具有的高粱头状花序形状，大小和颜色非常相似。

未来的研究方向将包括（但不局限于）：

将目前的弱监督方案演变为功能完备的主动学习方法。

通过在无人机/地面机器人和智能手机上部署训练过的模型实现实时计数。

将较多样性的图像（如白高粱的头状花序图像）纳入训练数据集。

开发一种基于知识域的方案，自动且智能地选择“不同”的训练图像。

How to Cite this Article

Sambuddha Ghosal, Bangyou Zheng, Scott C. Chapman, et al., “A Weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting,” Plant Phenomics, vol. 2019, Article 1525874, 14 pages, 2019. https://doi.org/10.34133/2019/1525874.