數據競賽已成為針對數據科學問題統籌新的數據分析方法的流行趨勢。數據競賽在植物表型方面發展迅速，新的室外田間數據集有可能為研究和商業應用提供解決方案。本研究利用全球小麥穗數據集（GWHD）來研究植物表型的魯棒性問題。GWHD是一個大型而全面的小麥穗定位標記數據集。本研究基于全球小麥數據挑戰賽，作為 2020 年和 2021 年的通用化競賽，旨在利用不同地區的田間圖像為小麥頭部檢測找到更穩健的解決方案。

2023年6月，Plant Phenomics在線發表了法國INRAE等單位題為Global Wheat Head Detection Challenges: Winning Models and Application for Head Counting 的研究論文。

本研究利用基于三個不同的數據集測試和研究了小麥穗部檢測算法的魯棒性和準確性。其中，本研究使用Faster-RCNN 作為基線解決方案，與GWC_2020和GWC_2021的獲獎方案進行對比。三種最佳解決方案提供的平均精度值非常接近，同時在很大程度上超過基線解決方案。
 

Fig.1 Sample from the UQ Frame dataset.

Fig2. Sample from the Arvalis LITERAL dataset.

在各種解決方案中是以平均準確率（AA2021）衡量的性能在會話之間是異構的，而在訓練、驗證和測試數據集上的AA2021的排名對于這里考慮的所有3個解決方案都是相似的（圖3）。似乎一個獲取會話的復雜程度取決于它的內部特征，所有解決方案在相同的會話中都是比較困難的。然而，GWC_2021總是優于其他解決方案，除了Terraref_2和NAU_3會話。相反，基線解決方案的AA2021值總是低于2個獲勝解決方案。GWC_2020方案的AA2021值普遍低于GWC_21，除了少部分會話包括Terraref 2和NAU 3。
 

Fig. 3. Detailed performance of the best solutions against the baseline. Extreme domain results are indicated by text. Top: Accuracy per domain; center: FPR; bottom: FNR.

另外本研究還計算每個解決方案的穗部計數的訓練、驗證和測試分割的rRMSE。結果表明:rRMSE在不同的方案中變化很大，從0.66到2.15（圖6）。對rRMSE進行更詳細的檢查解與數據集分割的函數（圖6）表明，正如預期的那樣，訓練數據集的rRMSE總是最低的除了GWC_2020之外沒有異常值的值。這說明所有的解決方案都能夠學習到幾次訓練只有很小的差別3模型。的驗證數據集上的性能超參數調優和偽標記顯著退化，基線和GWC_2021解決方案的異常值很大。驗證數據集的UQ_2會話顯示基線和GWC_2021解決方案的最大離群值。
 

Fig. 6. Distribution of the rRMSE per session grouped per dataset split (Train, Validation, and Test) and solutions (Baseline, GWC_2020, and GWC_2021). The middle gray line indicates the median and the blue box the 25% to 75% quantiles. The whiskers extend to the most extreme (1% to 99% assuming a normal distribution), while the diamonds correspond to outliers. The diamonds at the top indicates outliers larger than rRMSE = 1, the rRMSE value being indicated in parentheses.

2020年和2021年的全球小麥挑戰賽是從高分辨率RGB圖像進行麥穗監測的重要步驟。2020年和2021年全球小麥挑戰賽吸引了人們植物表型問題更廣泛的關注，包括專門從事圖像的社區基于人工智能算法的處理。全球小麥挑戰的結果（2020年和2021年）在小麥檢測和密度估計領域提供了有價值的洞察挑戰。對于提高跨不同領域的發展植物發育、器官分割和生長階段評估新技術具有重要意義。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0059

——推薦閱讀——

Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images

https://doi.org/10.34133/plantphenomic‍s.0040

Plant Phenomics | 浙江大學發現一種融合快照光譜圖像和RGB-D圖像生成高質量三維多光譜植物點云的新方法

Analyzing Changes in Maize Leaves Orientation due to GxExM Using an Automatic Method from RGB Images

https://doi/10.34133/plantphenomics.0046

Plant Phenomics | 基于RGB圖像的基因型×環境型×管理相互作用下的玉米葉片方向變化分析

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
排版：張婕（南京農業大學）
審核：孔敏、王平