植物育种计划广泛监控种子种仁的进化以进行种子认证，其中需要按类型和质量适当标记种仁。然而，相对于大面积的育种环境，种仁的大小微不足道，在育种过程中对种仁的监测是一个很大的挑战。无人机凭借着能够在低空捕捉图像以及能够进入育种环境中偏远区域的优势，有助于种子的监测和标记。使用无人机进行种子标记的一个关键瓶颈是无人机高度，随着无人机高度的增加，图像的细节变差，进而造成分类精度的降低。当训练数据集能够代表网络在评估过程中可能遇到的不同场景时，卷积神经网络是一个多类图像分类的强有力工具。然而，由于种子处于不同的育种环境，并且图像分辨率和清晰度各不相同，因此生成涵盖所有评估场景的训练数据集是很有挑战性的。本文采用领域随机化解决了训练集创建的挑战，其中合成图像的数据集是从自主驱动的Parrot AR Drone2.0的底部相机拍摄的少量种子样本生成的。此外，本文提出了一个种子分类框架，作为使用Microsoft的ResNet-100以及Oxford的VGG-16和VGG-19的卷积神经网络的概念验证。为了提高分类精度，开发了一个集成模型，总精度达到94.6%。分类任务是对五种不同类型的种子进行的，即油菜、稻谷、高粱、大豆和小麦。

　　图1 种子分类系统流程图

　　图2 使用Parrot AR Drone 2.0对表型环境中的种子进行图像采集

　　图3 上行是无人机拍摄的真实种子;下行是DR框架使用真实种子生成的合成图像。

　　图4 微调后的VGG-16、VGG-19和ResNet-101的训练和验证准确度和损失情况

　　图5 合成模型的工作流程

　　表1 合成模型的评价结果表

　　来源：Margapuri V, Penumajji N, Neilsen M. Seed Classification using Synthetic Image Datasets Generated from Low-Altitude UAV Imagery[J] 2021.

　　链接：https://www.researchgate.net/publication/354764755_Seed_Classification_using_Synthetic_Image_Datasets_Generated_from_Low-Altitude_UAV_Imagery

　　编辑：小王博士在努力