欧亚国际

在现代农业中，温室种植已成为提高作物生产效率和质量的重要手段之一。然而，在大规模的温室种植中，对作物生长状态进行监测和管理面临着挑战，尤其是对穗的检测，因为作物生长过程中，穗的形态和位置可能受到各种因素的影响而变化多端，如光照、水分、温度等。传统的人工检测方法不仅耗时耗力，而且无法满足高效率和大规模的需求。因此，利用深度学习模型来实现对温室中谷物作物的高通量穗检测具有重要意义。

2024年2月，Plant Phenomics在线发表了Leibniz Institute of Plant Genetics and Crop Plant Research,  Seeland OT Gatersleben题为High-throughput spike detection in greenhouse cultivated grain crops with attention mechanisms based deep learning models的研究论文。研究通过改进Faster-RCNN（FRCNN）的架构，减少特征提取层并引入全局注意力模块，以改善穗内模式检测。实验结果表明，在不同欧洲小麦品种的图像上，引入的FRCNN-A架构改进了穗内检测的准确性。FRCNN-A的mAP（均值平均精度）为83.0%，相比传统FRCNN，其性能更好。FRCNN-A在基线和增强的训练数据集上都比FRCNN和SwinTransformer更快，并且在FastGAN增强数据集上达到了更高的mAP。研究结果表明，基于注意力机制的深度学习模型在检测小而微妙的穗特征方面表现优异。

首先，研究收集了温室中谷物作物的图像数据，并对这些图像数据进行了预处理，包括去噪、裁剪和标注等操作，以便后续的深度学习模型训练和测试。接着，研究选择了适合穗检测任务的深度学习模型，具体选择了基于注意力机制的改进型 Faster R-CNN (FRCNN-A) 和 Swin Transformer 模型，并在训练环境中对这些模型进行了优化和调整，以提高其性能（图1）。

图1 FRCNN（顶部）与FRCNN-A（底部）的训练过程比较方案和架构要素

然后，研究利用收集的图像数据对选定的深度学习模型进行了训练，并在验证集上进行了评估。通过调整模型参数，研究努力获得了最佳的性能。针对不同位置的穗检测，本文进行了深入的分析和评估，以了解不同位置穗的检测准确度和性能表现。除了顶部穗外，研究还关注了模型在检测内部穗（即位于植株内部、被叶片覆盖的穗）方面的表现。对于这种情况下的穗检测，通常面临着更高的挑战，因为穗的轮廓可能不太清晰，受到叶片遮挡等因素影响。因此，对内部穗的检测准确度和性能进行评估具有重要意义。相关结果以表格和图表的形式呈现，以便清晰地展示不同位置穗检测的准确度、召回率、精确度等指标（表1）。通过这些结果的对比分析，可以深入了解不同位置穗检测的性能表现及其在实际应用中的可行性。

表1 成熟顶部/内部穗检测模型评估总结

本研究提出的高通量穗检测方法在温室培育的谷物作物中具有广阔的应用前景。首先，该方法可以帮助农业领域实现自动化的穗检测和数据采集，从而提高作物育种和管理的效率。其次，通过准确地检测和分析谷物作物中不同位置的穗，可以为农业科研人员提供更多的信息和数据支持，帮助他们深入了解作物生长发育过程中的各种变化和特征。此外，该方法还可以应用于智能农业系统中，实现实时监测和预警，为农民提供精准的农业管理建议，从而提高作物产量和质量，降低生产成本，实现可持续农业发展。

论文链接：

http://spj.science.org/doi/10.34133/plantphenomics.0155

——推荐阅读——

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

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

Plant Phenomics | 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

Multi-Source Data Fusion Improves Time-Series Phenotype Accuracy in Maize under a Field High-Throughput Phenotyping Platform

http://spj.science.org/doi/10.34133/plantphenomics.0043

Plant Phenomics | 多源数据融合提升田间高通量表型平台下玉米时序表型解析精度