出苗时的植株密度是作物的一个基本特征，因为它是决定特定环境条件和管理方式下基因型决定的第一个产量构成因素。准确的密度监测和植株定位可以用来监测冠层中作物之间的竞争、评估种子活力等。使用无人机获取RGB 图像可能会取代传统的现场人工计数，从而提高通量、准确性和植物定位。但是，早起的植株需要高分辨率图像来检测。

　　这研究在2016 年至 2019 年间，从法国西部的不同田间表型平台的8 个地点进行采样，利用无人机搭配3种RGB镜头，对3叶和5叶期的玉米植株进行RGB图像采集。

图1 (a)八个玉米表型测量位置的地图;(b)围绕玉米植物绘制的边界框的插图

　　本研究利用 Faster-RCNN 对象检测算法探讨了图像地面采样距离 (GSD) 对三到五叶阶段玉米植株检测性能的影响。 在六个对比站点上以高分辨率 (GSD ≈ 0:3 cm) 收集的数据用于模型训练。 使用以高和低 (GSD ≈ 0:6 cm) 分辨率获取图像的另外两个站点来评估模型性能。

　　结果表明，当使用原始高分辨率图像进行训练和验证时，Faster-RCNN 实现了非常好的植物检测和计数 (rRMSE = 0:08) 性能。类似地，当模型在合成低分辨率图像上进行训练时，也观察到良好的性能(rRMSE = 0:11)，该合成低分辨率图像是通过对本机训练高分辨率图像进行下采样并应用于合成低分辨率验证图像而获得的。相反，当模型在给定的空间分辨率上训练并应用于另一个空间分辨率时，性能会很差。在混合高分辨率和低分辨率图像上进行训练可以在原始高分辨率 (rRMSE = 0:06) 和合成低分辨率 (rRMSE = 0:10) 图像上获得非常好的性能。然而，在原始低分辨率图像 (rRMSE = 0:48) 上仍然观察到非常低的性能，这主要是由于原始低分辨率图像的质量很差。

　　最后，本研究引入了一种基于 GAN(生成对抗网络)的高级超分辨率方法，从原生高分辨率图像中获得的额外纹理信息，应用于原生低分辨率验证图像。结果显示有一些显着改进(rRMSE = 0:22)，但仍远低于原始高分辨率图像的性能。

　　来源: Velumani K.,Lopez Lozano R.,Madec S.,Guo W.,Gillet J.,Comar A.,Baret F.. Estimates of Maize Plant Density from UAV RGB Images Using Faster-RCNN Detection Model: Impact of the Spatial Resolution[J]. Plant Phenomics,2021,2021:

　　 编辑: 婷婷