该研究构建了面向野外不同拍摄条件的玉米穗计数模型Multiscale Lite Attention Enhancement Network (MLAENet)，解决了野外环境下玉米穗计数任务中,由于拍摄距离和角度变化导致的尺度差异,以及密集分布和复杂背景带来的遮挡和干扰问题,实现了在野外环境下对玉米穗数量和分布的快速准确检测,为研究人员监测作物生长状态和评估产量提供了重要技术支持。

2023年10月，Plant Phenomics在线发表了南京林业大学范习健副教授团队题为 A Multiscale Point-Supervised Network for Counting Maize Tassels in the Wild 的研究论文。

MLAENet由三个部分组成：前端网络，后端网络和上采样模块（UP-Block）。前端网络采用经过微调的VGG16的前13层,具有较好的特征提取能力。后端网络包含轻量特征提取模块（LFEM）和多特征增强模块（MFEM），前者采用轻量化的卷积层架构进一步提取高级语义特征，后者通过级联空洞卷积实现多尺度特征提取，并融入基于批归一化的注意力机制来增强目标特征。最后,上采样模块通过交替叠加卷积层和双线性插值,实现特征聚合与上采样，生成高质量的密度图。三个模块的协同工作,使MLAENet在不同场景下都能实现玉米穗的准确统计。

Fig. 2. The detailed structure of MLAENet.

南京林业大学信息科学技术学院、人工智能学院软件工程2020级本科生郑镐宇为论文一作，现已获得免试攻读研究生资格，拟被浙江大学录取。通讯作者为南京林业大学信息科学技术学院、人工智能学院副教授范习健，目前主要从事农林表型参数智能提取、多源遥感数据智能解译、农林场景多模态智能感知等相关研究。

论文链接

https://spj.science.org/doi/10.34133/plantphenomics.0100

代码和模型链接

https://github.com/ShiratsuyuShigure/MLAENet-pytorch/tree/main

——推荐阅读——

Quantifying Contributions of Different Factors to Canopy Photosynthesis in Two Maize varieties: Development of a Novel 3D Canopy Modeling Pipeline

https://doi/10.34133/plantphenomics.0075

Plant Phenomics | 玉米品种间冠层光合效率差异的多因素贡献率解析：一种新的三维冠层建模流程

Multi-Source Data Fusion Improves Time-Series Phenotype Accuracy in Maize under a Field High-Throughput Phenotyping Platform

https://spj.science.org/doi/10.34133/plantphenomics.0043

Plant Phenomics | 多源数据融合提升田间高通量表型平台下玉米时序表型解析精度