湿地松（Slash pine）因其生长迅速、耐旱耐涝、松脂产量高而在我国南方广泛种植。通过遗传选育优良性状，可以有效提升松脂和木材的产量。在湿地松的众多表型性状中，抽梢密度（每棵树抽梢的数量）的大小可作为衡量木材选择和树脂产量的重要指标，并与湿地松养分吸收、树木生长、体积大小密切相关。传统的抽梢密度计算大多依赖于人工计数。作者在前期工作中（论文“CountShoots: Automatic detection and counting of slash pine new shoots using UAV imagery”），构建了基于密度估计的湿地松抽梢量计数模型，取得了较好的效果，但上述工作的正常开展普遍需要以充足且准确的数据为支撑，而该过程不仅耗时且人工标注成本很高。因此如何有效降低标注成本同时保证模型的性能，是提升湿地松抽梢量计数工作的关键，也是深度学习模型应用与发展的重要研究课题。
2024年8月，Plant Phenomics在线发表了由山东农业大学与中国林业科学研究院亚热带林业研究所联合完成的题为MTSC-Net: A Semi-Supervised Counting Network for Estimating the Number of Slash pine New Shoots的研究论文。
https://doi.org/10.34133/plantphenomics.0228
Geographic-Scale Coffee Cherry Counting with Smartphones and Deep Learning
https://doi.org/10.34133/plantphenomics.0165
Plant Phenomics | 利用智能手机和深度学习进行地理尺度的咖啡樱桃计数
Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images
https://doi.org/10.34133/plantphenomics.0020
Plant Phenomics ESI高被引论文 | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法
《植物表型组学》（Plant Phenomics）是由南京农业大学创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6，位于农艺学一区（1/125名），植物科学一区（13/265名），遥感一区（6/62名）。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：孔敏、王平
