开花是棉花等作物由营养生长向生殖生长过渡的重要过程之一，对作物产量和适应性具有重要意义。传统的分类评分系统已广泛应用于开花模式的研究，但方法费时费力且具有主观性。本研究旨在开发一种基于深度学习的方法来表征棉花开花模式。

用训练的快速RCNN (FrRCNN5-cls)模型检测植物和开花的代表性结果

首先，对地面移动系统(GPhenoVision))进行改进，采用多视角彩色成像模块，同时从四个视角获取植物图像。然后，在大约2个月的时间里，对23个基因型的116株植物进行成像，平均扫描间隔为2-3天，得到一个包含8666幅图像的数据集。接着，随机选择图像的一个子集(475)并进行人工注释，形成数据集，训练和选择最佳的目标检测模型。随后，利用最佳模型，开发一种基于深度学习的方法(DeepFlower)来检测和统计给定日期的植株开花。最后，利用DeepFlower对所有图像进行处理，以获得开花期内单个植株的开花计数，并使用结果计数得出开花曲线(从而得出开花特征)。

使用“基于植物的计数”(顶部行)和“基于整体图像的计数”(底部行)策略计算的计数精度

花期特征(初花日期、开始花期和花期)的箱形图

回归分析表明，DeepFlower方法能够准确地(R²=0.88，RMSE=0.79)检测和统计棉花植株上的初花，统计分析表明，图像提取的开花特征在识别遗传类型或基因型间差异方面与人工评估具有相似的效果。综上所述，该方法可以有效地描述棉花等冠层结构复杂的开花植物的开花模式。

DeepFlower处理管道，用于使用深度学习方法和彩色图像检测，计数和表征开花模式

来源：

Jiang Y, Li C, Xu R and Sun S. DeepFlower: a deep learning-based approach to characterize flowering patterns of cotton plants in the field. December 2020Plant Methods 16(1). DOI: 10.1186/s13007-020-00698-y.