在特定的環境條件和管理措施下，早期植株密度是決定基因型的重要性狀。使用無人機拍攝的RGB圖像可以取代傳統的現場目測計數，從而提高吞吐量、準確性和工廠定位。然而，需要高分辨率的圖像來檢測早期存在的小植物。采用Faster-RCNN目標檢測算法，研究了圖像地面采樣距離(GSD)對玉米植株3~5葉期檢測性能的影響。使用6個對比點的高分辨率(GSD≈0.3 cm)采集的數據進行模型訓練。使用另外兩個具有高分辨率和低分辨率(GSD≈0.6 cm)圖像的站點來評估模型的性能。

結果表明，當原始高分辨率圖像同時用于訓練和驗證時，Faster-RCNN獲得了很好的植物檢測和計數性能(rRMSE=0.08)。類似地，該模型在對原始訓練高分辨率圖像進行下采樣得到的合成低分辨率圖像上進行訓練，并將其應用于合成低分辨率驗證圖像上，獲得了良好的性能(rRMSE=0.11)。


研究地點的位置，以從無人機獲取的玉米微區的提取為例。(A)一張地圖，顯示本研究中使用的位于法國西部的八個玉米表型平臺的位置。(B)圍繞玉米植株繪制的包圍框的圖解。所示的例子來自塔爾塔站點的(?GSD=0.27 cm)(A)與(??GSD=0.63 cm)(B)。

相反，當模型以給定的空間分辨率訓練并應用于另一空間分辨率時，性能較差。通過混合使用高分辨率和低分辨率圖像進行訓練，可以在本地高分辨率(rRMSE=0.06)和合成低分辨率(rRMSE=0.10)圖像上獲得非常好的性能。然而，在原始低分辨率圖像(rRMSE=0.48)上仍然觀察到很低的性能，這主要是由于原始低分辨率圖像的質量較差。

最后，將一種改進的基于生成對抗網絡(GAN)的超分辨率方法應用于原始低分辨率驗證圖像，該方法引入了從原始高分辨率圖像中提取的附加紋理信息。結果表明，與雙三次上采樣法相比，RMSE=0.22有了明顯的改善，但仍遠低于原始高分辨率圖像的性能。

來源：Plant Phenomics.Estimates of Maize Plant Density from UAV RGB Images Using Faster-RCNN Detection Model: Impact of the Spatial Resolution.K. Velumani , R. Lopez-Lozano , S. Madec , W. Guo , J. Gillet, A. Comar , and F. Baret
https://spj.sciencemag.org/journals/plantphenomics/2021/9824843/