随着世界人口的持续增长，采取行动确保粮食安全迫在眉睫。高粱是产量最高的五种谷物之一，也是许多发展中国家的主食。因此，获取准确的信息对提高粮食生产效率具有重要意义。高粱估产的一个指标是不同分枝下的高粱穗数。基于图像处理和人工智能的方法可以自动有效地获取不同作物穗信息。然而，由于高粱穗的形状和颜色不同，这类方法在高粱的应用中具有一定的挑战性。

数据集的示例图像

RetinaNet结构

检测模型生成流程

本文研究了一种在无人机图像中检测高粱穗的方法，并使用目标检测问题中的标准质量指数(平均精度)评估其性能。具体地说，测试时间增强(TTA)技术是根据需要分析的高粱植物图像选择的一组几何变换和颜色变换，以及四种不同的集成学习方法来实现的。由于这些方法都是加权的，因此提出了两种不同的计算权重的方法来改进高粱穗的检测。综上所述，在高粱穗检测中，TTA策略的检测效果优于仅基于单个变换测试集的检测。此外，在TTA结果的集成过程中，通过使用不同的权值，这些结果得到了改进。

W=WTi的四种加权TTA方法的mAP值

散点图：用于比较不同TTA方法的整个测试集的mAP值，以确定集合模型的权重

来源：

Gonzalo-Martín C, García-Pedrero A and Lillo-Saavedra M. Improving deep learning sorghum head detection through test time augmentation. Computers and Electronics in Agriculture Volume 186, July 2021, 106179. https://doi.org/10.1016/j.compag.2021.106179.