牧草产量是牧草育种项目的主要目标之一，但传统的测量方法是手工和耗时的。高通量表型分析技术利用无人机搭载的传感器采集影像数据，结合深度学习算法进行特征提取和预测，可以提高测量的效率和准确性。深度学习方法已成为使用 RGB 图像进行高通量表型分析的基本方法之一。在这项研究中，我们不仅仅应用深度学习算法；也使用多视图融合方法改进深度学习模型。该方法动态合并来自两个深度学习模型的信息。并评估了这种方法对几内亚草（一种重要的热带牧草）地块的总干物质产量、叶片干物质产量和总绿物质产量的估计。提出的Deep4Fusion 融合网络，可以使用两种不同的深度学习模型，利用无人机搭载的RGB相机采集了330个不同基因型的牧草试验区域的影像数据，并使用六种现有的卷积神经网络（CNN）作为单视图深度学习模型进行特征提取和回归预测。然后，本文设计了一个多视图融合模型，将两个单视图模型的输出层进行连接和归一化，再通过全连接层和损失函数进行训练和优化。实验结果表明，与之前的标准模型相比，本文提出方法将性能提高了20％至33％，并且具有显着的改进（P值<0.05) 叶干物质和总干物质产量。多视图融合通过网络共享层合并多个 CNN 模型的预测灵活性有可能改善许多其他单视图深度学习方法的结果。

图1 多模式学习与多视角学习

图2多视角学习在牧草众多性状估计中的应用

图3 研究区域可视化

图4 总体技术路线

图5 Deep4Fusion多视图模型框架

图6 学习率区间测试

图7 对MAE结果进行的特定Tukey’s HSD测试的平均值和95%置信区间——TGMY

图8 对MAE结果进行的特定Tukey’s HSD测试的平均值和95%置信区间——LDMY

图9 对MAE结果进行的特定Tukey’s HSD测试的平均值和95%置信区间——TDMY