Plant Phenomics | 南京林業大學范習健團隊發現用于野外玉米穗計數的多尺度點監督網絡

該研究構建了面向野外不同拍攝條件的玉米穗計數模型Multiscale Lite Attention Enhancement Network (MLAENet)，解決了野外環境下玉米穗計數任務中,由于拍攝距離和角度變化導致的尺度差異,以及密集分布和復雜背景帶來的遮擋和干擾問題,實現了在野外環境下對玉米穗數量和分布的快速準確檢測,為研究人員監測作物生長狀態和評估產量提供了重要技術支持。

2023年10月，Plant Phenomics在線發表了南京林業大學范習健副教授團隊題為 A Multiscale Point-Supervised Network for Counting Maize Tassels in the Wild 的研究論文。

MLAENet由三個部分組成：前端網絡，后端網絡和上采樣模塊（UP-Block）。前端網絡采用經過微調的VGG16的前13層,具有較好的特征提取能力。后端網絡包含輕量特征提取模塊（LFEM）和多特征增強模塊（MFEM），前者采用輕量化的卷積層架構進一步提取高級語義特征，后者通過級聯空洞卷積實現多尺度特征提取，并融入基于批歸一化的注意力機制來增強目標特征。最后,上采樣模塊通過交替疊加卷積層和雙線性插值,實現特征聚合與上采樣，生成高質量的密度圖。三個模塊的協同工作,使MLAENet在不同場景下都能實現玉米穗的準確統計。

Fig. 2. The detailed structure of MLAENet.

南京林業大學信息科學技術學院、人工智能學院軟件工程2020級本科生鄭鎬宇為論文一作，現已獲得免試攻讀研究生資格，擬被浙江大學錄取。通訊作者為南京林業大學信息科學技術學院、人工智能學院副教授范習健，目前主要從事農林表型參數智能提取、多源遙感數據智能解譯、農林場景多模態智能感知等相關研究。
 

論文鏈接

https://spj.science.org/doi/10.34133/plantphenomics.0100

代碼和模型鏈接

https://github.com/ShiratsuyuShigure/MLAENet-pytorch/tree/main

——推薦閱讀——

Quantifying Contributions of Different Factors to Canopy Photosynthesis in Two Maize varieties: Development of a Novel 3D Canopy Modeling Pipeline

https://doi/10.34133/plantphenomics.0075

Plant Phenomics | 玉米品種間冠層光合效率差異的多因素貢獻率解析：一種新的三維冠層建模流程

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

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

Plant Phenomics | 多源數據融合提升田間高通量表型平臺下玉米時序表型解析精度

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科瑞唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區，生物大類一區（Top期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：范習健
編輯：陳思潔（昆山杜克大學）
審核：王平、孔敏