基于无人机( UAV )的图像已被广泛用于收集时间序列的农艺数据，然后将其纳入植物育种计划以提高作物改良。为了提高有效分析的可能性，在本研究中，通过利用来自玉米多样性小组的233个不同自交系的田间试验的航拍数据集，我们开发了用于在小区水平上获得自动雄穗计数的机器学习方法，同时使用了基于对象的检测计数( CBD )方法和基于密度的回归计数( CBR )方法，使用去除与植物雄穗无关的大部分像素的图像分割方法，结果显示基于对象( CBD )的检测精度显著提高，在使用滤波阈值为90的图像训练的检测器上，交叉验证预测精度( r² )达到0.7033。当使用未经滤波的图像时，CBR方法显示出最大的准确性，平均绝对误差( MAE )为7.99。然而，当使用辅助程序时，阈值为90的图像显示出略优于未过滤图像( 8.90 )的MAE ( 8.65 )。这些研究可以对开花相关性状进行准确的预测，并有助于为作物改良做出育种决策。

图1 雄穗过滤器和采样过程

( a )采样两行样地的五个图像实例。图像被标记为土壤(蓝色)，阴影(绿色)，叶子(红色)和雄穗(黄色)   ( b )雄穗过滤的剔除结果，这显示了哪些元素（土壤、阴影、树叶和雄穗）通过阈值设定采样像素的计算分数而被消除。随着阈值的增加，采样像素的更大百分比被消除，最终在最高阈值处达到所有采样特征的100%消除

图2 CBD方法中雄穗预测管道的基本概述

选取地块级影像的训练数据集( a1 )，通过人工标注，用包围盒( b1 )标记影像中可见雄穗的位置。或者，也可以对这些相同的图像进行滤波，去除与非雄穗元素( a2 )相关的像素。在不考虑图像滤波的情况下，标注数据保持不变。然后使用训练数据集和标注坐标来训练CNN。输入图像( b2 )经过训练后可以送入卷积神经网络进行雄穗预测。与训练图像一样，输入图像可能会被交替过滤，以消除可能降低预测精度的无关像素。CNN本身由一个32 × 32的图像输入层( c )组成；一系列三个聚集的中间层，每个中间层由一个具有32个5 × 5卷积的卷积层(或最终聚类中的64个卷积)组成；一个修正的线性单元；一个3 × 3的最大池化层( d )；最后一组层包括一个具有64个输出神经元的全连接层( e )，一个修正的线性单元( f )，一个额外的具有两个输出神经元的全连接层(一个用来识别雄穗,另一个用来识别背景) ( g )，一个SoftMax层和一个最终的分类层( h )。然后在输入图像( i )中用包围盒标记预测的雄穗区域

图3 测试用例的热力图

左面板为热力图，中面板为原始未滤波的测试用例图像，右面板为叠加在原始测试用例图像上的热力图。暖色像素表明TasselNet在这些像素覆盖的区域中检测到了雄穗的存在。颜色的温暖度从黄色增加到红色，表明TasselNet预测相应区域的雄穗密度更高。冷色表明雄穗的稀疏性，蓝色像素表明TasselNet未能检测到对应区域中雄穗的出现

图4 不同雄穗过滤阈值下的r²值

（a )基于超绿指数(远左)预滤波的图像，在阈值为11至180的雄穗滤波器,边界框(黄色表示预测雄穗 ( b )根据真值数据计算的平均r²值。每条曲线表示使用随机选择的图像作为训练数据过滤到90、95和100阈值的r²值。黄色曲线表示未经滤波的图像训练后的结果。X轴表示对测试图像集进行滤波的阈值,当使用阈值为90的图像进行训练时，在测试图像阈值为91时观察到最高的r²值( 0.7033 )