深度學習實現玉米和高粱葉片計數自動化

葉片數量和葉片出苗率是植物育種家、植物遺傳學家和作物模型學家感興趣的表型。即使對一個沒有經過專業訓練的普通人員，

計算一株植物現有的葉子數量也是很簡單的，但手動跟蹤數百個個體在多個時間點上的葉子數量變化卻是十分具有挑戰性的。

追蹤植物葉片數量的挑戰。在發育早期產生的葉子會在植物的整個生命周期中衰老和死亡，且在成熟時無法檢測到。

 (a)種植后32天的玉米植株(有8片可見葉片)。

(b) 種植后34天時的同一株玉米。上面的三片葉子都明顯變長了，而底部的葉子(紅色橢圓形)已經衰老，不再可見，

因此這棵玉米現只有七片葉子可見。

(c)一張俯視的全葉擬南芥植株的蓮座狀葉子結構圖。

(d) a和b圖中同一玉米植株的俯視照片。d圖中的葉片閉塞比c圖更為嚴重。

研究為葉片計數項目整理了一個龐大的數據集，其中包括超過15萬張玉米和高粱的RGB圖像。

17783張圖片的標注中還包括單個葉尖位置的標注。利用這些標注的圖像，我們評估了兩種基于深度學習的自動葉片計數方法：

第一種是基于整張圖片分析的回歸計數，

第二種基于深度學習檢測的計數方法。

兩種方法的均方根誤差(RMSE)都小于1，僅略低于人工技術的0.57-0.73。

葉計數的人為標注錯誤：(a)同一幅圖像不同觀察者獨立標注的葉數標注之間的一致性。

深藍色的點表示從大量不同的圖像中觀察到的，而淺藍色的點表示從少量不同的圖像中觀察到的。

左上角顯示了被測圖像總數、相關系數的平方(r2)、均方誤差的根(RMSE)和一致性。最佳線性回歸線用紅色表示，

擬合方程在右下角給出。(b)兩名觀察員對識別玉米植株新生的新葉子意見不一致的圖像(紅色箭頭)。

一個觀察者選擇的葉尖位置用紅色的圓圈表示，

另一個觀察者用藍色的正方形表示。(c)兩名觀察員對衰老和可能受損的葉子的注釋意見不一致的圖片(紅色箭頭)。(d)圖像的一個例子，

其中一個觀察者識別出第二個觀察者遺漏的部分遮擋或重疊的葉子(紅色箭頭)。(e)一株玉米的葉序轉移到上部葉片，

使從任何一側觀察角度都難以標注的例子。圖b- e的原始圖像被裁剪，以便于查看。圖中視野之外所做的標注不會顯示出來。

基于卷積神經網絡(CNNs)的回歸計數方法展現出較低的精度和魯棒性?；贔aster R-CNNs(區域卷積神經網絡)目標檢測模型的檢測計數方法，

在所有葉尖都可見的植物中實現了接近人工計數的性能。作為本研究的一部分，

生成的帶注釋的圖像數據和模型性能指標為比較和改進谷物作物圖像數據的葉片計數算法提供了大量數據資源。