东方时讯网粮食作物的选择性育种是驯化植物产生如此优异产量的主要原因之一。然而，选择最佳育种候选者是一项非常复杂的任务。一方面，它需要有训练有素的眼睛的熟练育种者来评估植物对病虫害的抵抗力、作物生长和其他因素。另一方面，它还需要精确的工具辅助测量，例如粒度、质量和质量。
尽管所有这些标准措施都很有用，但它们都没有考虑到每株植物的圆锥花序或“头部”数量。在大多数情况下，头部密度与作物产量密切相关，它很容易成为育种计划中衡量的主要特征。然而，估计每株植物和每单位面积的头数非常耗时，需要繁琐的手工工作。
为了解决这个问题，许多研究人员开发了机器学习模型，可以在地面或无人机拍摄的图像中自动检测粮食作物上的单个头部。
虽然这些模型旨在简化该领域的其他手动计数过程，但现实情况是它们通常在有限的测试条件下进行训练，并且只专注于头部检测，而没有提供更多指标。换句话说，在开发和训练它们的环境之外使用这些模型可能会很困难、乏味，甚至会产生很差的结果。
在此背景下，包括澳大利亚昆士兰大学ScottChapman教授在内的一个研究团队试图通过提供概述其用途的详细流程来推广用于人数统计的深度学习模型。正如他们最近发表在PlantPhenomics上的论文中所解释的那样，该管道涵盖了人们在使用这些模型时可能发现的大多数怪癖和挑战。
Chapman解释说：“我们考虑了各种现实世界的变量，包括数据准备、模型验证、推理以及如何得出特定于产量的指标，我们的目标是为头部检测概述一个实用的端到端管道在高粱中。”
拟议的管道有两种变体，它们通过两个独立的说明性实验进行了演示。在第一个中，研究人员展示了如果需要从头开始为给定的机器学习模型准备训练、测试和验证数据集，应该如何进行。当公开可用的数据集不适合目标领域时，通常会出现这种情况，例如，当一个人正在处理与可用数据集不同的植物发育阶段时，就会发生这种情况。
在第二个实验中，该团队展示了使用各种预训练的深度学习模型进行高粱头检测和/或计数所需的步骤。他们展示了如何将检测结果(即仅在一组给定图像上勾勒高粱头的模型输出)“拼接”成更大的马赛克图像。这使人们能够更轻松地观察和分析大面积区域并计算重要指标，例如每耕作行或每平方米的水头密度。
“我们的管道生成了高分辨率的头部密度图，可用于诊断田间的农艺变异性，而无需依赖商业软件，”查普曼强调说。
总的来说，这项研究对研究人员和农业相关人员都有用。它不仅解释了如何利用深度学习模型更有效地评估粮食作物，而且还有助于为农业中配备摄像头的无人机解锁新功能。
值得注意的是，拟议的管道可以适用于高粱以外的其他植物，正如查普曼所说：“虽然我们在高粱地里展示了我们的管道，但它可以推广到其他谷物品种。在未来的工作中，我们打算测试我们的管道涉及其他谷物类型的任务，例如小麦和玉米产量估算。”