欧亚国际

数据竞赛已成为针对数据科学问题统筹新的数据分析方法的流行趋势。数据竞赛在植物表型方面发展迅速，新的室外田间数据集有可能为研究和商业应用提供解决方案。本研究利用全球小麦穗数据集（GWHD）来研究植物表型的鲁棒性问题。GWHD是一个大型而全面的小麦穗定位标记数据集。本研究基于全球小麦数据挑战赛，作为 2020 年和 2021 年的通用化竞赛，旨在利用不同地区的田间图像为小麦头部检测找到更稳健的解决方案。

2023年6月，Plant Phenomics在线发表了法国INRAE等单位题为Global Wheat Head Detection Challenges: Winning Models and Application for Head Counting 的研究论文。

本研究利用基于三个不同的数据集测试和研究了小麦穗部检测算法的鲁棒性和准确性。其中，本研究使用Faster-RCNN 作为基线解决方案，与GWC_2020和GWC_2021的获奖方案进行对比。三种最佳解决方案提供的平均精度值非常接近，同时在很大程度上超过基线解决方案。

Fig.1 Sample from the UQ Frame dataset.

Fig2. Sample from the Arvalis LITERAL dataset.

在各种解决方案中是以平均准确率（AA2021）衡量的性能在会话之间是异构的，而在训练、验证和测试数据集上的AA2021的排名对于这里考虑的所有3个解决方案都是相似的（图3）。似乎一个获取会话的复杂程度取决于它的内部特征，所有解决方案在相同的会话中都是比较困难的。然而，GWC_2021总是优于其他解决方案，除了Terraref_2和NAU_3会话。相反，基线解决方案的AA2021值总是低于2个获胜解决方案。GWC_2020方案的AA2021值普遍低于GWC_21，除了少部分会话包括Terraref 2和NAU 3。

Fig. 3. Detailed performance of the best solutions against the baseline. Extreme domain results are indicated by text. Top: Accuracy per domain; center: FPR; bottom: FNR.

另外本研究还计算每个解决方案的穗部计数的训练、验证和测试分割的rRMSE。结果表明:rRMSE在不同的方案中变化很大，从0.66到2.15（图6）。对rRMSE进行更详细的检查解与数据集分割的函数（图6）表明，正如预期的那样，训练数据集的rRMSE总是最低的除了GWC_2020之外没有异常值的值。这说明所有的解决方案都能够学习到几次训练只有很小的差别3模型。的验证数据集上的性能超参数调优和伪标记显著退化，基线和GWC_2021解决方案的异常值很大。验证数据集的UQ_2会话显示基线和GWC_2021解决方案的最大离群值。

Fig. 6. Distribution of the rRMSE per session grouped per dataset split (Train, Validation, and Test) and solutions (Baseline, GWC_2020, and GWC_2021). The middle gray line indicates the median and the blue box the 25% to 75% quantiles. The whiskers extend to the most extreme (1% to 99% assuming a normal distribution), while the diamonds correspond to outliers. The diamonds at the top indicates outliers larger than rRMSE = 1, the rRMSE value being indicated in parentheses.

2020年和2021年的全球小麦挑战赛是从高分辨率RGB图像进行麦穗监测的重要步骤。2020年和2021年全球小麦挑战赛吸引了人们植物表型问题更广泛的关注，包括专门从事图像的社区基于人工智能算法的处理。全球小麦挑战的结果（2020年和2021年）在小麦检测和密度估计领域提供了有价值的洞察挑战。对于提高跨不同领域的发展植物发育、器官分割和生长阶段评估新技术具有重要意义。

论文链接：

http://doi.org/10.34133/plantphenomics.0059

——推荐阅读——

Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images

http://doi.org/10.34133/plantphenomic‍s.0040

Plant Phenomics | 浙江大学发现一种融合快照光谱图像和RGB-D图像生成高质量三维多光谱植物点云的新方法

Analyzing Changes in Maize Leaves Orientation due to GxExM Using an Automatic Method from RGB Images

http://doi/10.34133/plantphenomics.0046

Plant Phenomics | 基于RGB图像的基因型×环境型×管理相互作用下的玉米叶片方向变化分析

加入作者交流群