张远琴 肖德琴 陈焕坤 刘又夫

(华南农业大学数学与信息学院， 广州 510642)

0 引言

我国坚持水稻质量与产量并重的原则，将培育高产优质的稻米作为水稻生产研究的主要方向[1]。稻穗数是水稻质量与产量评估的重要指标，在水稻病害检测[2]、营养诊断[3]及生育期检测[4]等方面具有非常重要的作用。长期以来，在水稻栽培或育种研究中，稻穗数都是通过人工统计的方式来获得，该过程耗时、耗力、效率低，在大面积生产场景下，由于植株间的相似性和观察人员的主观性使稻穗计数非常困难，且容易出错。因此，无论是快速预估产量还是精准检测表参数，都迫切需要一种快速、精准的稻穗自动计数方法。

图像是对作物进行观测最直接的手段之一，基于数字图像植株穗的自动计数研究已取得一定的成果。主要分为两类：一类是基于颜色[5-7]和纹理[8-9]的分割方法，另一类是基于像素水平颜色特征候选区域[10-12]和基于超像素融合生成候选区域[13-14]的分类方法。穗分割方法处理速度较快，但需考虑光照阴影、穗粘连和叶片颜色不均等因素的影响，尤其当目标量与非目标量增加时，提取穗表型特征变得相当困难，计数精度明显下降；基于候选区域的分类方法的关键环节是候选区域的生成，候选区域的质量直接影响分类模型的训练数据质量、分类能力和穗计数精度。

近年来兴起的卷积神经网络(Convolutional neural networks, CNN)是深度学习的重要产物，应用于农业领域图像识别已取得了显著成效[15-18]。……