水稻作为主要粮食作物之一，在世界范围内大量种植。由于人口总量增长、温室效应、耕地减少等因素，水稻产量提升已成为水稻栽培生产中的重点工作。因此，智慧农业新技术的大量研究、推广应用以便提高水稻的产量变得尤为迫切。水稻植株计数因其可广泛应用于水稻育种、田间管理及水稻估产等多个方面，已成为当前智慧农业中的一个重要研究方向。目前，我国水稻植株计数仍主要依赖于农技人员的田间人工观测，采样范围小、过程繁琐且费时费力。随着无人机和深度学习技术的不断发展，借助无人机实现大面积水稻图像的采集，并进一步研究最新的深度学习计数方法实现无人机图像中水稻植株的精确计数将具有非常重要的价值。

近日，海南大学联合南京邮电大学、江西省气象局农业气象中心在The Crop Journal在线发表了题为“RPNet: Rice plant counting after tillering stage based on plant attention and multiple supervision network”的研究论文。作者借助四旋翼无人机实现了水稻分蘖后的大田图像采集，并提出了新的水稻植株精确计数网络模型RPNet。在该网络模型中，作者设计了植株注意力模块以及具有多个损失项的联合损失函数进行网络的多监督训练，最后实现了无人机图像中水稻植株的精确计数。除此之外，还探讨了网络模型超参数  的影响和联合损失函数中各损失函数项的有效性等。

在该研究中，作者设计了一个新的深度学习网络RPNet。该网络由四个模块组成：特征编码器、注意力模块、初始密度图生成模块和植株注意力图生成模块（图1）组成。在RPNet中，特征编码器联合注意力模块以便突出水稻植株描述特征，过滤掉无效的冗余特征信息。借助植株注意力图生成模块结合   损失函数项进一步抑制了复杂背景的干扰，提高了密度图的质量和计数预测精度。通过实验发现RPNet能够实现无人机图像中水稻植株的精确计数（图2），并且相比于其它多种经典的计数模型，所提出分割RPNet的MAE、RMSE计数精度更加准确（表1）。同时，实验中还分析了模型主要的超参数  以及联合损失函数中各损失项的有效性（表2 和 3）。此外，论文实验中还引入了MTC和WED数据集，测试了RPNet在以上两个经典的作物计数数据集上的计数能力。

图1 RPNet的网络主要结构

图2 不同模型在URC测试集上的预测密度图。第一列和第二列是5幅测试图像及其基准密度图。第三列到第五列分别是由RPNet、SANet和CSRNet所生成的预测密度图。

表1 不同计数模型在URC数据集测试集上的计数性能对比

表2 基准密度图生成中不同超参数  对RPNet网络计数精度的影响

表3 联合损失函数中各损失项对RPNet网络计数精度的影响