种子表型分析是通过分析种子的形态特征来预测种子在各种环境条件下的发育、抗性和产量。本文的工作重点是研究最新的目标检测和定位神经网络maskr-CNN和YOLO在基于Tensorflow种子表型分析中的应用及其可行性。但该工作的主要瓶颈之一是需要大量的训练数据。另外，在捕获大量种子图像的同时，还需要对这些图像进行注释，标明图种子边界，转换为神经网络能够使用的数据格式。尽管手动注释任务的工具是免费的，但是需要耗费大量的时间。

综合数据集的种子和相应掩码的样本

不同种子的遮罩RCNN实例检测

为了解决这种情况，首先，本文考虑了域随机化思想，即将在包含模拟对象的图像上训练的模型应用于真实世界对象的技术。然后，本文还采用了迁移学习，即将解决问题时获得的知识应用于不同问题。根据ImageNet和COCO数据集预先训练的权重来训练这些网络。最后，作为工作的一部分，在五种不同的种子(即油菜、稻谷、高粱、大豆和小麦)类型上进行了不同参数的实验。

集群种子上的YOLOv5x实例检测

掩码R-CNN上高粱种子的尺寸估算操作

使用形态计量学估计应用程序估计种子面积

来源：

Margapuri V and Neilsen M. Seed Phenotyping on Neural Networks using Domain Randomization and Transfer Learning.