为什么值得数，又为什么难数
一株玉米长几层气生根，这件事被问两遍。第一遍是关于机械支撑：气生根是抗倒伏的结构基础。第二遍关乎某些种质里气生根参与的过程——那是另一条研究线，这里不展开。而在表型这一侧，它还是一个特别不配合自动化的性状——基部结构小，被茎、土壤和杂草挡着，而且每换一个生育期就换一副样子。人工测量的办法是把植株挖出来，代价是这一株的试验到此结束。
这项工作从田间视频里非破坏地量它，并且把遮挡当作中心问题，而不是当作可以用增广抹掉的麻烦。
数据
由 Maizrob 无人地面车采集，覆盖多个生育期与多种条件，得到了一万多株被持续跟踪的植株的根部区域图像。数据是自然田间的，不是布景棚里的：分辨率足够看清植株和根部区域，光照、遮挡和背景则不受控制——这正是问题所在。
管线
- YOLOv10-n 逐帧检测单株；
- ByteTrack 把跨帧的检测关联成同一个植株身份（它保留低置信度的检测框，这一点在遮挡下是关键）；
- 从植株框的下四分之一裁出根部区域，交给 EfficientNet-B3 对每一块裁剪图分类；
- OAMF（遮挡感知多帧融合）把整段序列的逐帧层级得分聚合起来，给被遮挡拖累的那一帧降权。
第四步是这篇论文的贡献。把每帧的置信度直接相加，Cohen's kappa 只有 0.34；按遮挡加权聚合之后是 0.64（McNemar 检验，p = 7.75 × 10⁻⁴⁴）。
结果
- 完整管线达到 88.9% 的株级准确率，而单帧 YOLO 基线是 36.6%–45.1%。
- 在未见过的地点和日期上仍保持在 78% 以上。
- 吞吐约 每小时 8300 株，在这个规模上人工测量是不可行的。
两个不太显眼但同等重要的选择：
检测器不是为了精度挑的。 在同一份数据上，YOLOv10-n 与 YOLOv10-s 表现相近，而 -n 更小、误检更少，准确率并没有因为容量小而下降。为了部署效率，选 -n。
行归属必须显式处理。 YOLO 的输出不带行信息，检出的植株必须归到正确的垄上，否则邻行的植株会被算进来。判定方式是边界框中点是否连续跨过。
专利
测量方法、系统、存储介质与设备已申请发明专利——一种玉米局部性状获取方法、系统、介质和设备（申请号 202510965643.8，2025 年 7 月受理），申请人为中国农业大学，我是第二发明人。
状态
论文（第一作者，与理学院合作）投至 New Phytologist，目前在审 / 修回中。标注图像集与评测协议在随论文一并准备公开。
这一页不写的
数据集本身。它包含合作地块的田间影像，如果要发，是随论文的数据声明和合作方同意之后发，而不是作为个人网站上的一个下载链接。
关于这些数字
上面的 0.34 → 0.64、88.9%、78%，都写明了自己的条件：kappa 变化来自同一批数据的消融对比，株级准确率对应单帧基线，78% 是跨地点跨日期的留出结果。不同条件之间不合并成一个更好听的倍数。