全球小麦挑战赛关于深度学习和数据集多样性的见解

众包已成为科学研究的关键，特别是在植物表型分析等数据密集型领域，利用 Kaggle 等平台进行数据分析和机器学习挑战。

虽然在受控环境中有效，但深度学习方法在植物表型分析中的鲁棒性和通用性，尤其是在可变田间条件下，例如小麦头由于缺乏大型、多样化的现实世界数据集，检测仍然不确定。当前的挑战是生成广泛且多样化的数据集，以增强这些技术在实际农业场景中的可靠性和适用性。

2023 年 6 月，Plant Phenomics 发表了题为《全球小麦穗部检测挑战》的研究文章：获胜模型和人头统计应用。”

在 2020 年和 2021 年全球小麦挑战赛 (GWC) 中，研究人员寻求稳健的解决方案来检测来自不同地区的田间图像中的小麦穗，重点是泛化。 GWC_2020 和 GWC_2021 中排名前三的解决方案使用 EfficientDet 和 Yolo 变体等架构，展示了高精度和泛化到未见过的数据集的能力。

解决方案在检测小麦头和管理误报 (FP) 方面面临挑战，不同会话的性能存在差异。 GWC_2021 解决方案在减少漏报 (FN) 方面优于其他解决方案，而 GWC_2020 在最小化 FPR 方面表现出色。

由于分辨率低、麦头弯曲或强照明等因素，获胜的解决方案在某些会议上表现出了局限性。

尽管存在这些挑战，GWC_2021 的方法仍然更有效地检测到小小麦头，尽管它仍然漏掉了一些。该研究还使用相对均方根误差 (rRMSE) 评估了人头计数解决方案的性能，揭示了会话和数据集之间的差异。

GWC_2021 表现出最低的 rRMSE 值，表明其稳健性，但在某些条件下仍面临挑战。

研究结果表明，应用程序中的本地化和回归指标取决于特定的任务要求，而回归在处理不确定性方面可能更有效。与现场水头密度测量值的比较表明，与 GWC_2021 解决方案具有良好的一致性，尽管由于空间采样和模型不确定性等因素，差异随着密度的增加而增加。

该解决方案在人头计数方面的可靠性得到了证实，在某些情况下优于手动测量。然而，为了提高不同条件下的准确性和鲁棒性，需要在图像采集、数据增强技术和模型架构等领域进一步增强

总之，GWC 2020 和 2021 标志着使用高分辨率 RGB 图像进行小麦头部检测方面取得了重大进展，凸显了泛化方面的挑战和对创新方法的需求。

该竞赛吸引了人们对植物表型分析这一重要领域的关注，并为探索领域转变提供了多样化的数据集，为该领域的未来发展奠定了基础。