研究團隊開發了一種創新方法，利用無人機 (UAV) 和深度學習技術準確識別玉米雜交田中人工去雄前后的雄穗狀態。通過使用特定的注釋和數據增強策略，該方法顯著提高了雄穗檢測準確率，最高可達 98%。這項研究對于改善農田雄穗檢測具有重要價值，通過先進的無人機分析系統可以減少人工勞動并提高作物管理效率。

玉米是中國最重要的作物之一，監測玉米抽穗期對玉米育種至關重要。無人機技術的最新進展使其在詳細監測作物方面具有重要價值。然而，產生的大量圖像數據帶來了巨大的處理挑戰。目前使用基于 CNN 的深度學習框架進行抽穗檢測的方法在數據采集和標記方面面臨困難，而傳統的圖像處理技術效果有限。

2024 年 5 月 7 日在《植物表型學》上發表的一項研究 (DOI：10.34133/plantphenomics.0188)旨在通過開發針對玉米穗動態生長階段的精確檢測模型和注釋數據集來應對這些挑戰。

本研究通過評估不同版本的 RTMDet 網絡模型，為實際的穗檢測應用選擇了合適的模型。首先，考慮到參數大小和資源需求，確定了部署模型所需的計算資源。然后評估了模型的對象識別準確度，特別是 mAP@0.5，以識別不同對象類別的準確度差異。還評估了推理速度，這對實時應用至關重要。從 Tiny 到 X 版本的 RTMDet 模型都是在 NSL-C 數據集上訓練的。平均檢測準確度最多相差 1.1%，X 版本通常表現最佳，但在穗-L 檢測中 L 版本表現出色。選擇 S 版本是因為其性能和資源效率均衡。此外，RTMDet-S 模型在 NSL-A、NSL-B 和 NSL-C 數據集上進行了訓練，以評估它們在不同生長階段檢測穗的準確性。在NSL-T數據集上的測試表明，RTMDet-NSL-C模型取得了最佳的總體性能，特別是在檢測玉米穗N方面達到了99.8%的準確率，而玉米穗S的誤差最小。該方法可以準確地識別無人機圖像中的玉米穗狀態，為玉米穗的實時監測和管理提供了可靠的解決方案。

該研究首席研究員趙春江表示：“這項研究針對現實應用場景進行了量身定制，為使用無人機分析玉米雜交田的穗狀態提供了新見解。因此，未來可以開發一種基于無人機遙感圖像的新型智能系統，對玉米雜交田進行快速、大規模語義分析，這將減少對人工田間調查的依賴，并協助管理人員做出決策。”

總之，本研究介紹了一種使用無人機圖像和深度學習評估玉米穗狀況的創新方法。這項研究為開發基于無人機遙感圖像的智能系統鋪平了道路，可以快速、大規模地分析玉米雜交田，減少對人工調查的依賴，最終有助于更有效地進行作物管理和決策。