在中國南方，經過基因改良的濕地松 (Pinus elliottii) 在木材和樹脂生產中發揮著至關重要的作用，其枝條密度也有了新的提高是一個關鍵的成長特征。目前的手動計數方法效率低且不準確。基于無人機的 RGB 成像和深度學習 (DL) 等新興技術提供了有前途的解決方案。然而，深度學習方法在全局特征捕獲方面面臨挑戰，需要額外的機制。 Vision Transformer 及其衍生產品(例如 TransCrowd、CCTrans)等創新技術在植物性狀計數方面展現出潛力，為大規模、準確的數據處理提供了簡化且更有效的方法。這種技術的發展為利用這些先進的深度學習方法來研究濕地松的自動新芽檢測提供了機會。

2023 年 7 月，Plant Phenomics< /span>檢測和P叫聲”。本研究介紹了濕地松芽計數網絡(SPSC-net)，這是一個基于 CCTrans 的模型，專為計數濕地松新芽而設計。它包含一個特征金字塔模塊，用于精確計數。魔法I唱歌無人機USew Nine鞭打S計數CDCountShoots：自動 發表了一篇研究文章，標題為“

在濕地松樹的檢測中，比較了YOLOv5、Efficientnet和YOLOX等模型，使用0.5的閾值進行樹木識別。 YOLOX 表現出了卓越的精確度、召回率和平均精確度 (AP)，尤其是在較高的 0.75 閾值下。相比之下，Faster-RCNN 的性能最低。對 26 張測試圖像的手動計數表明，YOLOX 的誤檢率較低，而 EfficientNet 的漏檢目標最少。 YOLOX 在復雜且重疊的目標場景中表現出色。為了檢測新芽，該研究比較了平衡和不平衡的 OT 框架，同時評估了不同的換位成本矩陣。透視引導模型顯示出最佳性能，驗證了非平衡 OT 對于密度回歸的功效。 SPSC-net 在所有模型中實現了最低的 MSE 和 MAE，優于 DM-Count、CSR-net 和 MCNN。散點圖和密度圖證明了 SPSC-net 的高預測精度。在此基礎上，該研究開發了 CountShoots，一種提取和計數濕地松的系統。它在 Flask 框架上實現，具有用于用戶交互、模型加載、植物提取和芽計數的模塊。該過程包括上傳圖像、提取植物數據、計算芽數以及提供結果反饋，所有這些都是為了方便用戶而簡化的。該研究證實了 SPSC-net 在濕地松多尺度圖像處理中的有效性。 YOLOX 和 SPSC-net 與其他模型進行了比較，顯示出卓越的檢測和計數精度。 SPSC-net 的自注意力機制和特征金字塔融合可以實現詳細且語義豐富的特征提取。盡管取得了成功，但仍有一些局限性需要考慮，例如冠層的潛在障礙和無人機飛行高度的限制。

總之，該研究開發了一套利用 SPSC-net 和 YOLOX 進行精確濕地松芽計數和樹冠檢測的綜合流程，為林業研究和濕地松遺傳育種提供了強大的工具。