基于深度学习的稻粒在穗计数方法研究

摘要

[目的]稻粒计数是水稻考种的重要环节。针对传统稻穗穗粒人工计数存在着效率低、易出错等问题，研究构建一种稻穗穗粒原位计数模型。原位计数方法可以不破坏稻穗原有拓扑结构，进而进一步应用于其他表型参数获取。[方法]模型以ResNet作为骨干网络，应用图像和范本稻粒之间的特征相关性，预测稻粒概率密度分布，进而通过密度图求和获取稻粒数量。构建稻穗图像数据集，定义稻粒在穗计数模型的损失函数，该函数同时考虑预测密度图与实际稻粒分布的一致性，以及范本标注框的相关约束。用平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Squared Error,RMSE）、平均相对误差（Mean Relative Error,MRE）作为衡量模型性能的评估指标。[结果]以ResNet50作为模型骨干网络，模型可取得较理想的精度，其MAE、RMSE、MRE分别为10.937,19.286,13.4%，该方法有着较为准确的计数性能。与YOLOv8-seg相比，本研究模型的MRE下降2.2%，与基于实例分割的SAM(Segment Anything Model)模型相比，本研究模型的MRE降低了12.2%，与T-Rex2模型相比，则降低6.5%。[结论]基于深度学习模型构建，能够自动识别和计数图像中稻粒，提高计数效率，同时相较于其他深度学习模型，本研究模型具有更强的少样本学习能力。本方法可应用于稻粒在穗计数任务，可为稻穗表型参数获取等提供一定技术参考。

关键词

稻穗表型 / 原位计数 / 水稻 / 特征提取 / 表型参数