单位面积穗数（PNpA）是影响水稻产量的关键因素之一。准确量化PNpA对于培育高产水稻品种至关重要。以往研究基于固定观测平台或无人机（UAV）的近端传感。这些研究中生成的近冠层图像效率低下且图像处理流程复杂，需要手动裁剪和注释图像。本研究旨在开发一种基于无人机图像的自动化、高通量田块分割和穗数定量方法，以及一种针对不同圆锥花序类型的新型分类方法，从而增强小区级别的PNpA量化。在15米高空有效捕捉水稻冠层的RGB图像，然后通过基于掩膜区域的卷积神经网络（MaskR-CNN）进行图像拼接和地块边界识别。然后将图像分割成小区尺度的子图，并将其分为3个生长阶段。圆锥花序视觉变转换器（Panicle-ViT）集成了多路径视觉变换器，取代了MaskR-CNN主干网，可准确检测圆锥花序。此外，Res2Net50架构将穗类型分为0°、15°、45°和90°4个角度。结果证实，Plot-Seg的性能与手动分割相当。在所有数据集上，Panicle-ViT的表现都优于传统的MaskR-CNN，50%交集大于联合（AP50）时的平均精度提高了3.5%，达到20.5%。全数据集的PNpA量化性能优异，决定系数（R²）为0.73，均方根误差（RMSE）为28.3，总体穗部分类准确率达到94.8%。所提出的方法提高了操作效率，实现了从小区种植到PNpA预测过程的自动化，有望加速水稻育种中理想性状的选择。

图1 研究地点分别位于浙江省杭州市中国水稻研究所（水稻播种后98天）（A）和浙江省嘉兴市农业科学院（水稻播种后104天）（B）

图2 通过MaskR-CNN在农业遥感图像中进行地块分割

图3 穗数据集分类图，其中FHtM代表全穗至成熟阶段

图4 FHtM不同阶段的数据集图像。(A)FHtM第一阶段的原始图像和(D)标注图像。(B)第二个第三阶段的原始图像和(E)标注图像。(C)最后第三阶段的原始图像和(F)标注图像

图5 Panicle-ViT的结构（A）、骨干网结构（B）、多尺度补丁嵌入（C）和多路径变换器块（D）

图6 穗成0°角（A）、15°角（B）、45°角（C）和90°角（D）

表1 算法分割和人工分割的欧氏距离、IoU和标准偏差（SD）。欧氏距离表示3个人工标注地块的中心点（视为真实值）与人工和算法分割得出的中心点之间的平均距离。IoU表示作为真实值的3个人工标注地块的中心点和边界与人工标注和算法标注得出的相应中心点和边界之间的交集大于联合。A、B和C代表3个不同的个体比较

图7 2022年1号田块地块分割的总体结果（A）和部分地块分割的细节（B）

表2 MaskR-CNN和Panicle-ViT的水稻穗检测精度评估。AP50/AP75表示当IoU超过50%/75%时的平均准确率，而AR50/AR75表示当IoU超过50%/75%时的平均召回率

图8 基于MaskR-CNN（橙色点）和Panicle-ViT（蓝色点）的PNpA精确度。所有阶段图像（A）、第一第三阶段图像（B）、第二第三阶段图像（C）和最后第三阶段图像（D）。R²、RMSE和rRMSE分别表示判定系数、均方根误差和相对均方根误差

图9 测试数据集Res2Net50分类器的混淆矩阵。

图10 超高分辨率（A到C）和高分辨率图像（D到F）之间的比较。

表3 评估PanicleViT在超高分辨率数据集上检测水稻穗的准确性

图11 根据2023-Val数据集对PNpA的Panicle-ViT预测进行验证

图12 2022年1号田在播种后第125天的预测PNpA图例（A）和2023年2号田在播种后第104天的预测PNpA图例（B），以及2022年1号田3块地的PNpA时间序列分析（C）和2023年2号田3块地的PNpA时间序列分析（D），左侧虚线表示出现10%抽穗的日期，右侧虚线表示达到80%抽穗的日期