不同目标检测模型的性能:(a)不同模型的查准率-查全率;(b)不同模型得到的mAP50(%)

研究小组开发了基于Mask R-CNN框架的深度学习方法“Point-Line Net”，可以自动识别玉米田图像，并确定叶片和秸秆的数量和生长轨迹。该模型实现了81.5%的目标检测精度(mAP50)，并引入了新的轻量级关键点检测分支。这种创新的方法有望提高复杂田间环境下植物育种和表型检测的效率，为更准确的作物管理和产量预测铺平道路。

玉米是全球重要作物，对食品、饲料和工业应用至关重要。了解玉米的表型，如株高、叶片数和长度，对提高产量和精确育种至关重要。尽管在计算机视觉和深度学习方面取得了进步，但由于复杂的背景和环境因素，在现场条件下准确的表型检测仍然具有挑战性。目前的方法大多是为受控环境设计的，难以应对这些挑战。

2024年5月29日发表在Plant Phenomics上的一项研究提出了点线网络模型，通过准确定位和跟踪玉米叶片的位置和轨迹来提高田间表型检测。

在这项研究中，研究使用三种流行的模型:Faster R-CNN、RetinaNet和YOLOv3来评估玉米的目标检测精度。使用原始模型架构，发现使用ResNet101 + FPN的更快R-CNN实现了最高性能，mAP50为76.2%，mAP75为39.9%，尽管检测时间较长，为89.6 ms。

为了提高准确性，我们对超参数进行了微调，并结合了Soft-NMS和D - IoU技术，将mAP50提高到75.5%，mAP75提高到49.2%。受人类关键点检测的启发，本研究开发了创新的Point-Line Net模型，该模型的mAP50为81.5%，mAP75为50.1%，优于传统方法。

该方法在描述叶和茎的轨迹方面也显示出更好的准确性，自定义距离评价指数(mLD)为33.5，表明该方法在复杂的田间环境中是有效的。训练和验证过程表明，该模型在第100 epoch左右稳定，为后续的预测任务提供了最佳性能。

该研究的高级研究员阮珏说:“我们相信这项研究的结果也可以为其他作物的田间管理和表型数据收集提供思路。”

综上所述，Point-Line Net模型的目标检测精度(mAP50)达到81.5%，并引入了新的轻量级关键点检测分支，显著提高了表型检测。该研究强调了深度学习方法在提高田间植物表型效率方面的潜力，为未来的作物育种和管理提供了有价值的见解。

整合额外的注释信息，如特定生长阶段和多角度数据，可以进一步提高模型的准确性和适用性，为更精确的农业实践和更好的作物产量预测铺平道路。