首先基于Intel RealSense D435型深度相机和LabVIEW软件开发平台搭建燕麦深度图像采集系统，以‘品燕4号’燕麦为研究对象，获取生长全程26 376组建模数据和2 205组测试数据，每幅深度图像中燕麦所对应的平均株高和最高株高使用量尺测得。建模数据和测试数据在燕麦各株高区间内的数量相对均衡，并对图像进行高度还原、灰度化和缩放的简单预处理，随之给每张图像打2张标签，分别为图像中燕麦的平均株高和最高株高。基于8种经典卷积神经网络模型，将各网络模型的最后一层（分类层）去除，添加2个单节点且没有激活函数的全连接层后，分别构建双输出回归卷积神经网络估测模型，模型使用均方差函数（mean square error，MSE）评价各模型估测燕麦株高时的准确率。最终基于TensorFlow深度学习平台，采用建模数据经5折交叉验证选取Modified EfficientNet V2 L为估测模型。
采用未参与模型训练的测试数据考察了Modified EfficientNet V2 L模型估测燕麦株高的泛化性能，该模型估测燕麦平均株高时平均绝对误差（mean absolute error，MAE）、均方根差（root mean square error，RMSE）和平均相对误差（mean relative error，MRE）分别为2.30 cm、2.90 cm和4.4%，估测最高株高时分别为2.24 cm、2.82 cm和4.1%，模型平均估测时间为52.14 ms。使用该方法估测作物株高时的精度与已有方法相近，平均估测时间可以满足作物株高获取的实时性要求。燕麦平均株高和最高株高估测时的相对误差随着作物株高的增加呈总体下降趋势，可能是由于作物株高较低时，估测结果受土壤起伏度影响较大。
模型特征图可视化的结果表明，模型根据深度图像中燕麦的高度及轮廓对株高进行估测。最终基于LabVIEW软件开发平台构建了燕麦株高估测系统，系统在获取燕麦深度图像后，可以在0.1 s内精准估测出燕麦平均株高和最高株高，整个过程无需人为干预。
综上，使用深度图像和双输出回归卷积神经网络可以估测燕麦株高，其精度可以满足生产需求，该方法可为燕麦等作物的田间管理提供依据。
该研究获得中央引导地方科技发展资金项目（YDZJSX20231C009）、山西农业大学博士科研启动项目（2021BQ85）、山西省博士毕业生、博士后研究人员来晋工作奖励资金科研项目（SXBYKY2022019）、山西农业大学学术恢复项目（2023XSHF2）的资助。
引用本文：
张建龙, 邢文文, 叶绍波, 张超, 郑德聪. 基于双输出回归卷积神经网络的燕麦株高估测研究[J]. 中国农业科学, 2024, 57(20): 3974-3985.
ZHANG JianLong, XING WenWen, YE ShaoBo, ZHANG Chao, ZHENG DeCong. Oat Plant Height Estimation Based on a Dual Output Regression Convolutional Neural Network[J]. Scientia Agricultura Sinica, 2024, 57(20): 3974-3985.
推荐阅读：
Plant Phenomics | 西北农林科技大学基于数字图像的多维性状评价小麦种质遗传变异的途径
利用多年份、多评级数据集的RGB图像对赤霉病进行高效的非侵入式估计
Plant Phenomics | 虚拟图像“以假乱真”，无需人工标注，自监督创建小麦表型算法
