利用人工记录的田间观测数据对于植物育种决策至关重要。然而，某些表型性状，如植物颜色、高度、籽粒数等，只能在作物生长周期的特定时间窗内采集，且劳动强度大，每个季节只能采集一小部分田间实时观察的结果。为了缓解小麦育种中的数据收集瓶颈，本文提出了一种新的深度学习框架——WheatNet，该方法可以准确有效地计算小麦穗数，收集实时数据，从而进行农艺决策。同时，本文验证了该方法在麦田的各种环境条件的稳健性和准确性。

这幅图像显示了小麦基因型、麦穗取向、发育阶段和图像尺度的高度变异性

WheatNet的网络结构

首先，使用截短的MobileNetV2作为一个轻量级的主干特征提取器。然后，提取多尺度特征到两个并行的子网络中，同时进行基于密度的计数和定位任务。结果显示，我们提出的方法在麦穗计数任务中，MAE和RMSE分别达到3.85和5.19，且而与其他最先进的方法相比，参数要少得多。综上所述，该方法具有一定的优越性和有效性。

我们提出的方法的视觉效果

用本文提出的方法和快速R-CNN方法估计小麦穗部的预测中心

来源：

Khaki S, Safaei N, Pham H and Wang L. WheatNet: A Lightweight Convolutional Neural Network for High-throughput Image-based Wheat Head Detection and Counting. arXiv:2103.09408.