可靠的产量估算是针对主要行作物发展育种计划中必不可少的步骤。本研究旨在开发一种基于大豆荚果计数的机器学习(ML)方法，根据地面机器人采集的田间视频数据预测基因型种子产量等级。

从控制数据集中的样本图像沿背景三折用于去除背景噪声

为了实现该目标，我们利用深度学习架构开发了一个基于多视图图像的产量评估框架。从不同角度采集植株图像进行融合，预估产量，进而对大豆基因型进行排序，用于育种决策。利用田间控制成像环境数据以及田间实际植物育种试验田数据，通过比较人工计算荚果数和产量估算的性能，证明了该框架的有效性。

控制和现场数据集的Pod计数分布

由特征提取模块(FM)和回归模块(RM)图组成的产量(pod count)估计模型体系结构

综上所述，该研究结果显示ML模型可以显著减少时间和人力成本，并为培育品种开辟新的育种方法途径，证明了其在育种决策方面的应用前景。

绘制带有各自注释的(左)和检测到的(右)豆荚的样品

来源：

Riera L G, Carroll M E., Zhang Z, et al. Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications. arXiv:2011.07118.