AgriDenseNet：面向密集小白菜计数的多尺度上下文密度估计

《Smart Agricultural Technology》：AgriDenseNet: Multi-Scale Contextual Density Estimation for Dense Brassica Chinensis Counting

　　

随着智能农业的快速发展，准确高效的产量估算对于高密度作物的管理变得至关重要。然而，在小白菜成熟期等场景中，极端的目标密度和遮挡给传统计数方法带来了重大挑战。在这项工作中，研究人员提出了AgriDenseNet，这是一种基于密度的新型计数框架，旨在解决密集重叠小白菜的复杂特征。该模型建立在经典CSRNet（卷积神经网络用于密度图回归）的基础上，引入了三项关键改进。首先，在前端和后端之间插入基于ASPP（空洞空间金字塔池化）的感知模块，以增强多尺度特征提取。其次，结合梯度约束损失和注意力引导加权的混合损失函数，引导模型关注关键区域，提高局部细节准确性。第三，提出了局部上下文增强模块，通过额外的特征注入进一步提升密集打包目标的显著性。在小白菜数据集上的实验表明，该模型的优越性，实现了1.936的平均绝对误差（MAE），超越了现有的最先进计数模型。此外，研究人员在Global Wheat Head Detection（GWHD）数据集上验证了模型的泛化能力，该方法保持了强劲的领先优势。为了减少对有标签数据的依赖，研究人员将模型扩展为半监督框架。仅使用10%的有标签数据，模型实现了3.096的MAE，显著优于仅使用有标签数据的基线。这些结果突出了模型在现实世界密集作物计数任务中的有效性、泛化性和实用性。

论文《AgriDenseNet: Multi-Scale Contextual Density Estimation for Dense Brassica Chinensis Counting》针对成熟期小白菜高密度种植场景下的计数难题，提出了一种融合多尺度上下文信息与局部细节增强的密度估计框架。该研究指出，尽管智能农业技术在作物监测中取得了进展，但在小白菜成熟阶段，叶片严重重叠和极端密度导致传统目标检测算法面临边界模糊、漏检率高的问题。为解决这一痛点，研究人员构建了基于CSRNet架构的AgriDenseNet模型，并通过引入ASPP模块、混合损失函数及局部上下文增强（LCE）模块，显著提升了模型在复杂农田环境下的表征能力。实验结果表明，该方法不仅在自建的小白菜数据集上实现了1.936的MAE，还在小麦头检测数据集上展现了卓越的跨域泛化能力，其半监督扩展版本在仅使用10%标签数据时仍能将MAE降低至3.096，证明了该框架在减少人工标注成本方面的巨大潜力。

为实现上述目标，研究人员采用了以下关键技术方法：首先，数据采集于上海实信蔬菜种植公司的温室环境，通过部署工业相机获取1080×960分辨率的图像，并采用点标注策略标记植株中心，构建了包含38,768个实例的数据集。其次，模型架构以VGG-16为前端特征提取器，后端引入ASPP模块捕获多尺度上下文，并结合LCE模块强化局部特征。在优化策略上，设计了结合均方误差（MSE）、梯度约束损失（L_grad）和注意力引导损失（L_att）的混合损失函数。此外，研究还采用了基于教师-学生范式的半监督学习框架，利用指数移动平均（EMA）更新教师模型参数，以利用大量未标记数据。

研究结果

评估协议（Evaluation protocol）

研究人员在小白菜数据集和公开的GWHD数据集上进行了全面评估，设置了全监督和半监督两种实验配置。结果表明，在全监督设置下，AgriDenseNet在两个数据集上均取得了最优性能；在半监督设置下（仅10%标签数据），模型性能较基线有显著提升，证明了利用未标记数据的有效性。

实现细节（Implementation details）

模型基于CSRNet构建，使用Adam优化器进行训练。具体参数设置为：总训练轮数100轮，热身轮数10轮，批量大小为8，权重衰减率5×10^-4，学习率1×10^-5。半监督训练中，无监督损失权重λ_u设为0.5，EMA动量α为0.95。模型参数量为22.56M，单GPU推理时间约为21.96毫秒。

定量结果（Quantitative results）

在定量评估中，研究人员采用了平均绝对误差（MAE）和均方根误差（RMSE）作为指标。结果显示，在小白菜数据集上，全监督AgriDenseNet的MAE达到1.936，RMSE为3.286；在GWHD数据集上，MAE为1.993，RMSE为2.713，均优于CSRNet、P2PNet、CAN、DLA及WHC等对比模型。半监督版本在小白菜数据集上的MAE为3.096，显著优于仅使用少量标签数据的基线模型（3.697）。

讨论

对比实验（Comparative experiments）

通过与现有主流计数模型的对比，研究人员发现密度图监督方法在高遮挡农业场景中普遍优于点监督方法。AgriDenseNet在所有对比模型中表现最佳，且在GWHD数据集上的优异表现验证了其跨作物类型的泛化能力。

消融研究（Ablation study）

消融实验揭示了各组件的具体贡献。研究发现，直接添加CBAM（卷积块注意力模块）会导致性能下降（MAE升至2.451），原因在于农业图像复杂的纹理干扰了通道注意力的判断。相反，引入混合损失函数使MAE降至2.148，加入ASPP模块后降至2.012，最终结合LCE模块达到了1.936的最低误差。进一步分析表明，移除ASPP中膨胀率为18的分支有助于减少背景噪声，而调整混合损失的权重比例（λ₁=0.2, λ₂=0.3, λ₃=0.5）能最优地平衡全局一致性与前景聚焦。

结论

该论文解决了成熟期小白菜密集计数这一关键挑战，提出了AgriDenseNet框架，通过ASPP感知模块、混合损失函数和LCE模块有效应对了遮挡和密度问题。实验证明，该模型在小白菜数据集上实现了1.936的MAE，并在GWHD数据集上展现了强大的跨域泛化能力。半监督扩展版本仅用10%的标签数据即实现了3.096的MAE，证明了其在减少标注依赖方面的实用价值。尽管模型计算复杂度较高，限制了在边缘设备上的部署，但这项工作仍为密集作物计数提供了实用且可扩展的解决方案。