谷物作物的选择性育种是驯化植物产生如此高产量的主要原因之一。然而，选择育种的最佳候选者是一项非常复杂的任务。一方面，它需要熟练的育种者，训练有素的眼睛来评估植物对病虫害、作物生长和其他因素的抵抗力。另一方面，它还需要精确的工具辅助测量，例如晶粒尺寸、质量和质量。
尽管所有这些标准措施都是有用的，但它们都没有考虑每株植物的穗数或“头数”。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测量的主要特征。然而，估算每个工厂和单位面积的头数非常耗时，并且需要繁琐的手动工作。
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谷物作物上的单个头部。
虽然这些模型旨在简化现场手动计数过程，但现实情况是，它们通常在有限的测试条件下接受训练，并且只专注于头部检测，而不提供更多指标。换句话说，在开发和训练这些模型的上下文之外使用这些模型可能很困难、乏味，甚至会产生糟糕的结果。
在此背景下，包括澳大利亚昆士兰大学Scott Chapman教授在内的研究小组试图通过提供详细的管道概述其用途来推广深度学习模型。正如他们最近发表在《植物表型组学》(Plant Phenomics)上的论文中所解释的那样，该管道涵盖了使用这些模型时可能发现的大多数怪癖和挑战。
“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，”Chapman 解释说，“我们的目标是勾勒出一个实用的端到端管道，用于高粱头部检测。
拟议的管道有两种变体，通过两个独立的说明性实验进行演示。在第一篇中，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，通常会发生这种情况，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。
在第二个实验中，该团队展示了使用各种预先训练的深度学习模型进行高粱头部检测和/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出高粱头的模型的输出)“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，例如每耕行或每平方米的头部密度。
“我们的管道生成高分辨率的头部密度图，可用于诊断田地内的农艺变异性，而无需依赖商业软件，”Chapman强调说。
总体而言，这项研究对研究人员和从事农业工作的人都是有用的。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：“虽然我们在高粱田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，我们打算在涉及其他谷物类型的任务上测试我们的管道，例如小麦和玉米产量估算。