为了实现无人机对小麦穗的准确计数，提出了一种基于地面的全卷积网络(EarDensityNet)迁移学习方法。EarDensityNet集成了金字塔滤波器和空洞卷积，旨在将小麦冠层图像映射到由点注释生成的穗密度图。小麦穗数可通过将对应穗密度图的所有像素值相加得到。结果表明，小麦穗的实际数量与EarDensityNet估计的数量之间存在很强的相关性，且高决定系数较(R2=0.9179)和低均方根误差(RMSE=17.61 ears，NRMSE=4.47%)，优于比较的方法。阴影图像的地面分辨率对EarDensityNet的性能有较大影响，而基于地面的EarDensityNet迁移学习可以充分利用高像素分辨率地面图像所呈现的丰富细节，从而有效缓解分辨率降低造成的计数性能下降。最终的研究结果表明，微调后的EarDensityNet比从零开始学习的EarDensityNet更准确(R2=0.9570，RMSE=801.34，NRMSE=22.06%)，证明了其优越性和适用性。将高像素分辨率的数字图像分割成子图像所产生的边界效应对EarDensityNet来说并不是一个大问题，这也表明了该方法从小区到田间应用的巨大潜力。由于小麦穗的纹理对EarDensityNet学习复杂的特征表现更为明显，因此小麦穗计数工作更加推荐在开花期后进行。

　　图1 通过阴影图像进行麦穗计数的挑战。(a)利用无人机在距离小麦4.5m高度拍摄的图像;(b)地面图像，严重遮挡(1-3)，变化的图像尺寸(4-6)。

　　表1 高分辨率数字图像的详细信息

　　图2 研究区域图

　　图3 基于无人机的小麦穗计数数据处理流程

　　表2 数据集的详细信息

　　图4 EarDensityNet结构

　　表3 不同步幅值的EarDensityNet计数结果

　　图5 不同步幅值下的麦穗数量。(a) 直方图显示100-600步幅值的平均麦穗数。(b) EarDensityNet在六个子测试组的计数性能。

　　图6 EarDensityNet对其数据集的计数结果。(a)回归结果显示测量值和估计值之间有很好的相关性。(b)直方图显示EarDensityNet对每个原始地面数据集的性能。

　　图7 EarDensityNet对每个原始地面数据集的性能，三行分别对应SYG_2数据集、SQ数据集和SYG_1数据集。

　　表4不同重叠率的Faster R-CNN的性能。

　　图8 Faster R-CNN 估计麦穗的情况

　　图9 不同重叠率的小麦穗数。共用的字母表示数据之间无明显差异，不同的字母表示样本点之间有统计学意义的差异(P < 0.05)。

　　表5 不同方法的性能

　　图10 EarDensityNet对无人机数据集的计数结果。(a) EarDensityNet_TL(红点)和EarDensityNet_LFS(蓝色矩形)的比较结果。(b) 直方图显示EarDensityNet_TL在每个原始无人机数据集上的表现。

　　图11 EarDensityNet_TL对每个基于无人机的原始数据集的性能，三行分别对应SYUAV_1数据集、SYUAV_2数据集和XJ数据集。

　　图12不同分辨率的小麦穗数。共用的字母表示数据之间无明显差异，不同的字母表示样本点之间有统计学意义的差异(P < 0.05)。

　　图13 不同生长阶段的小麦穗数的相关性。(a)实际麦穗数，(b)估计麦穗数。

　　图14 EarDensityNet在(a)开花期、(b)灌浆期和(c)成熟期的表现。

　　来源：Ma J, Li Y, Liu H, et al. Towards improved accuracy of UAV-based wheat ears counting: a transfer learning method of the ground-based fully convolutional network[J]. Expert Systems with Applications, 2021: 116226.

　　https://doi.org/10.1016/j.eswa.2021.116226

　　编辑：小王博士在努力