对于高粱这类在产生不同分蘖数的作物，穗的密度是了解作物产量的主要组成部分。在植物育种和商业作物的农学研究中，利用穗密度通常依赖于人工计数观察，这是一个低效和繁琐的过程。在目前的研究中，作物的RGB图像是十分容易被采集的，因此可以基于RGB图像利用机器学习方法以取代人工计数。然而，这些研究主要集中在有限的测试条件下的检测本身，并没有提供使用基于深度学习的计数的通用协议。本研究所研发的系统提供了从数据收集和模型训练到商业领域的模型验证和模型部署的基础，准确的模型训练是研发生产系统的基础。然而，在自然环境中，部署数据集经常不同于训练数据从而导致模型失败，因此一个丰富的模型对于建立一个可靠的解决方案至关重要。

2023年1月，Plant Phenomics在线发表了The University of Queensland题为From Prototype to Inference: A Pipeline to Apply Deep Learning in Sorghum Panicle Detection 的研究论文。

本文提供了一个全面的系统，从数据收集到模型部署，基于深度学习辅助进行高粱穗产量估计。研究主要围绕两个实验进行，第一个实验中，收集了一个在抽穗早期带有高粱植株的田间数据集，主要集中于地面图像数据集，并使用半自动标记和手动标记的组合来标注数据集，同时调整我们的地面图像数据集来训练一个模型来检测无人机图像的中的穗数。通过在地面图像上训练和验证模型，并在一个仅由无人机图像组成的单独测试上评估模型，以观察模型的泛化能力。

图1源数据准备和模型培训/评估的概述

在第二个实验中，我们提供了一个生产线，描述了在另一个高粱田地部署基于深度学习的检测模型。对该系统的概述如下：(a)考虑并比较了多重深度学习方法。如果只需要准确的穗数计数，回归模型可以提供比探测器更准确的结果。然而，如果现场需要进行更详细的分析，探测器模型是必要的。(b)提出了一个行检测的RANSAC模型，该模型使用穗数检测结果来识别种植行，以分析行之间的间隙和穗密度的变化。(c)穗密度/平方米的头部计数在每张图像的基础上和跨领域可视化。

图2 基于图像的穗密度可视化。(A)穗检测和行检测。在最近的一行上的(B)点回归。(C)每一行的一维移动和头计数和高斯平滑处理。(D) 3D显示每行磁头密度。(E)横跨整个图像的穗密度

本研究在高粱田地展示了自主研发的系统，并且该系统可以推广到其他作物品种。本研究所研发的系统提供了一个高分辨率的穗密度图，可以不借助其他商业软件的前提下用于诊断作物在一个区域内的农艺变异性。

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0017

——推荐阅读——

Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline

https://doi.org/10.34133/2022/9758‍532

Plant Phenomics | 基于深度学习的微根管图像自动化分析方法

A Deep Learning-Based Phenotypic Analysis of Rice Root Distribution from Field Images

https://doi.org/10.34133/2020/3194308

Plant Phenomics | 基于深度学习的水稻根系分布表型研究

加入作者交流群