(相关资料图)

农业是世界上最古老的活动之一，一直走在技术创新的前沿。随着机械化设备、改良种子和数字设备的出现，农业从种植到收获的各个环节都在逐步优化。这些好处也转化为更好地估算大豆等作物的产量。基于深度学习的产量估计模型使用回归、传统边界框或密度图等方法来简化种子计数。与人工计数相比，这些方法无疑更简单、更准确、更易于实施。

“P2PNet”是最近提出的一种自动计数方法，用于简化大豆种子的点计数。然而，这种方法在直接种子计数方面表现不佳。来自背景物体的干扰、大量的过度预测、高级特征的使用以及未考虑的物体规模被认为是该模型的一些缺点。为了应对与这种模式相关的挑战，日本的研究人员开发了一种新模式，该模式增加了农业技术创新的清单。它可以根据大豆植株的田间图像准确计算大豆种子的数量，省去劳动密集型的种子计数过程。该研究由东京大学郭伟副教授牵头，在线发表于Plant Phenomics第5卷 2023 年 3 月 15 日。

“大豆是动物和人类的重要蛋白质来源。因此，实现高作物产量是大多数育种计划的共同标准和目标，”郭教授解释道。

农民对种子计数特别感兴趣，因为它可以用来确定植物的产量和育种潜力。传统的基于图像的自动种子计数方法通过将种子放置在边界框中来跟踪图像中的种子。然而，在实际现场条件下，复杂背景、重叠豆荚和变化的光照条件的存在会导致边界框重叠，从而导致种子计数和位置不准确。

为了应对这些挑战，该团队将 P2PNet 升级为新的改进模型“P2PNet-Soy”。它通过将对象识别为图像中的小点来对对象进行计数。为了获得用于训练大豆种子识别模型的数据，研究人员拍摄了 374 幅种植在田间的大豆植株图像。他们拍摄了植物的两侧(正面和背面)，以捕捉植物中最大的种子。接下来，来自东京大学田间现象学实验室的熟练技术人员用圆点仔细标记每个大豆荚中存在的种子。他们确保只有属于目标植物的种子被注释，而来自邻近植物和背景的种子被排除在外。研究人员随后选择了 181 张图像进行训练，并使用从另一侧拍摄的其他 193 张图像来评估模型。

研究人员采用了几种策略来提高模型的性能。首先，从现场图像中捕获高级和低级特征。高级特征通常考虑图像中对象的上下文，而低级特征在识别细节和较小的对象方面更有用。然后使用称为空洞卷积的尺度不变特征提取方法使模型能够检测不同大小的种子。此外，应用空间和通道注意机制以更好地区分种子与背景。研究团队通过应用称为 kd 树的后处理技术改进了模型的预测，kd 树是一种无监督聚类算法，可以确定紧邻的预测种子位置的中心，

这些改进产生了一个准确的种子计数和定位模型，可以从田间拍摄的大豆植物的简单图像中检测和计数种子。“与原始 P2PNet 和其他大豆豆荚计数方法相比，升级后的 P2PNet-Soy 方法可以更有效地进行大豆种子计数和定位，具有更高的准确性，”郭教授说。

即使这些改进提高了种子预测的准确性，该模型也有一些需要纠正的局限性。由于该模型是根据从同一植物两侧拍摄的图像进行训练的，因此它可能会高估植物上的种子数量。此外，该模型无法检测到图像中意外遗漏的种子。

关键词：