叶片计数和出苗率是植物育种家、植物遗传学家和作物模型学家感兴趣的表型性状。即使对一个未经训练的人来说，单个植株的叶片计数也很简单，但在多个时间点追踪数百个植株的叶片数变化却非常具有挑战性。这项研究产生了一个超过150000张玉米和高粱叶片计数项目图像的数据集，包括17783张对单个叶尖位置注释图像的子集。对于这些带注释的图像，本文评估了两种基于深度学习的自动叶片计数方法：第一种基于整体图像分析的回归计数，第二种基于检测计数。

追踪植物叶片数量的挑战

叶数的人为标注错误

结果显示，这两种方法都可以实现小于单个叶片的RMSE(均方根误差)，仅略低于人类注释的RMSE(介于0.57和0.73叶片之间)。基于卷积神经网络(CNNs)的回归计算方法，低估了数据集中植株的极端叶片数，准确性较低，偏差增加。基于快速R-CNNs目标检测模型的检测计数方法在所有叶尖可见的植株上接近人类计数的性能。作为本研究的一部分，所产生的带注释图像数据和模型性能度量为比较和改进基于图像数据的谷物叶片计数算法提供了大规模资源。

用回归方法计算预测值和误差的分布

代表性叶尖检测结果

最佳目标检测模型在无叶尖遮挡图像上的性能

来源：

Miao C, Guo A, Yang J, et al. Automation of Leaf Counting in Maize and Sorghum Using Deep Learning. bioRxiv. doi: https://doi.org/10.1101/2020.12.19.423626