利用卷积神经网络估计密度图进行麦穗计数

小麦是最重要的农作物之一，全球年产量达 7 亿吨。评估麦穗的产量有助于我们测算粮食产量。因此，从麦田图像中检测并表征麦穗是小麦育种过程中的重要组成部分。在本研究中，我们提出了三个麦穗计数网络（WHCNet_1、WHCNet_2 和 WHCNet_3），以从单张图像中准确估计麦穗数量，并构建展示图像中麦穗分布的高质量密度图。WHCNets 由两个主要部分组成：一个作为前端的卷积神经网络（CNN），用于提取麦穗图像特征；以及一个带有跳跃连接的 CNN 作为后端，用于生成高质量密度图。本研究使用的数据集是全球麦穗检测（GWHD）数据集，这是一个由国际联合协作构建的大型、多样化且标注完善的麦穗图像数据集。我们将我们的方法与 CSRNet 进行了比较，后者是一种专为高度拥挤场景理解开发并执行准确计数估计以及生成高质量密度图的深度学习方法。通过利用 CNN 层之间跳跃连接的优势，WHCNets 整合了从低层 CNN 到高层 CNN 的特征，因此输出的密度图既具有高空间分辨率，又包含输入图像的详细表示。实验表明，在平均绝对误差（MAE）和均方根误差（RMSE）等评估指标上，我们的方法以更小的模型尺寸优于 CSRNet。代码已存放于 GitHub（\url{https://github.com/hyguozz}）。