全文总字数：5470字
1. 研究目的与意义、国内外研究现状（文献综述）
研究意义
水稻是全球最具代表性的作物品种之一，然而近年来，人类对粮食的需求越来越大并且世界各地的季节功能、极端天气事件和气候变化，增加了供应不稳定的风险。这就需要筛选出高产的品种，以增加作物产量。谷类植物的穗是一种籽粒器官，其物理性质是作物产量的重要组成部分[1]。出于水稻育种的目的，对水稻稻穗的产量进行评估是一种有效的谷物产量的间接测量方法[2]。
智能农业[3]对于解决农业生产在生产力、环境影响、粮食安全和可持续性方面的挑战至关重要[4]。图像分析是智能农业领域的一个重要研究领域，从谷物的二维图像中检测穗的数量为谷物产量潜力的预测提供了重要信息。因此，能够从稻田图像中检测并表征穗是水稻育种中选择高产品种的重要组成部分。为了发现更高产、更耐胁迫的品种，生物学家和育种家希望提供定量作物育种的支持，在真实的田间条件下，依靠准确、自动地检测水稻稻穗和对田间水稻稻穗计数的能力进行产量估算。
2. 研究的基本内容和问题
研究目标
采用faster r-cnn与yolo v3两种典型的目标检测算法对水稻图像中的稻穗进行检测计数，得到专门用于检测水稻田间图像中稻穗的深度学习模型，将结果进行比较研究。
3. 研究的方法与方案
研究方法
1.获取丰富且可靠的水稻图像数据集并完成标注。
2.构建基于两种算法的稻穗检测计数模型。
4. 研究创新点
特色或创新之处
1. 以往的大多数水稻稻穗图像分析工作都是在实验室条件和受控环境下进行的，本课题采用的水稻图像是在田地中实地拍摄的水稻图像。
2. 采用基于深度学习的图像检测算法实现水稻稻穗的计数还比较新颖。2018年md mehedi hasan等人才提出了第一个训练于实地拍摄的小麦图像的麦穗检测深度学习模型。
5. 研究计划与进展
2019年 1月-2月
搭建darknet、caffe深度学习框架，学习相关的使用资料，并尝试构建和训练简单的神经网络。
2019年 2月8日-2月28日
