由于社会的复杂需求，现代农业和植物育种的未来格局正在迅速变化。可收集数据的爆炸式增长已经开始了一场必须进行创新的农业革命。对于一个商业组织来说，为了确保在育种周期的关键时期做出最佳决策，准确、有效地收集信息至关重要。然而，由于育种计划的规模和当前资源的限制，很难收集单个植物的精确数据。特别是，由于劳动力需求和专家领域的知识，记录作物颜色、形状、化学性质、病害易感性等的有效表型非常有限。

图片显示玉米处于营养生长期V1到V6

DeepStand架构概述

本文提出了一种基于深度学习的玉米早期计数方法：DeepStand。该方法采用截断的VGG-16网络作为主干特征提取器，融合不同尺度的多个特征图，使网络对于比例尺变化具有鲁棒性。经过大量的计算实验表明，该方法可以成功地计算出玉米株数，并优于其他最先进的方法。我们的工作目标是让更大的农业群体使用该方法来实现高通量表型，而无需耗费大量的时间和劳力。

该计数方法的视觉结果

来源：

Khaki S, Pham H, Han Y, et al. High-Throughput Image-Based Plant Stand Count Estimation Using Convolutional Neural Networks. arXiv:2010.12552.