To ensure litchi fruit yield and quality, reasonable blooming period management such as flower thinning is required during the early flowering period. A combination of the number of litchi flowers and their density map can provide a reference for blooming period management decisions during the flowering period. Flowering intensity is currently largely estimated manually by humans observing the trees in the orchard. Although some automatic computer vision systems have been proposed for estimating flowering intensity, their overall performance is inadequate to meet current flower-thinning needs, and these systems are weak in some situations such as in varying environments and when the target object has a low-density distribution. With male litchi flowers as the research object, the goal of this study was to design a method for calculating the number of flowers. By using an image of the male litchi flower as input to a multicolumn convolutional neural network, a final density map and the number of flowers were generated. Experimental results using a self-constructed male litchi flower dataset demonstrated the feasibility of outputting a density map and flower count. The flower number was estimated from the model with a mean absolute error (MAE) that reached 16.29 and a mean square error (MSE) reaching 25.40 on the test set, which was better than counting by target detection. The proposed method can be used to perform time-saving analyses to help estimate yield and implement follow-up orchard management, and it demonstrates the potential of using density maps as outputs for estimating flowering intensity.

为保证荔枝果实的产量和品质，在开花初期需进行合理的疏花等花期管理。结合荔枝花数及其密度图，可为花期花期管理决策提供参考。目前，开花强度主要由人类观察果园中的树木手动估算。尽管已经提出了一些自动计算机视觉系统来估计开花强度，但它们的整体性能不足以满足当前的花卉疏花需求，并且这些系统在某些情况下例如在变化的环境中以及目标物体具有低密度时很弱分配。以雄荔枝花为研究对象，本研究的目的是设计一种计算花数的方法。通过使用雄性荔枝花的图像作为多列卷积神经网络的输入，生成最终的密度图和花的数量。使用自建荔枝雄花数据集的实验结果证明了输出密度图和花数的可行性。花数由模型估计，在测试集上平均绝对误差（MAE）达到16.29，均方误差（MSE）达到25.40，优于目标检测计数。所提出的方法可用于执行节省时间的分析，以帮助估计产量和实施后续果园管理，并展示了使用密度图作为估计开花强度的输出的潜力。通过使用雄性荔枝花的图像作为多列卷积神经网络的输入，生成最终的密度图和花的数量。使用自建荔枝雄花数据集的实验结果证明了输出密度图和花数的可行性。花数由模型估计，在测试集上平均绝对误差（MAE）达到16.29，均方误差（MSE）达到25.40，优于目标检测计数。所提出的方法可用于执行节省时间的分析，以帮助估计产量和实施后续果园管理，并展示了使用密度图作为估计开花强度的输出的潜力。通过使用雄性荔枝花的图像作为多列卷积神经网络的输入，生成最终的密度图和花的数量。使用自建荔枝雄花数据集的实验结果证明了输出密度图和花数的可行性。花数由模型估计，在测试集上平均绝对误差（MAE）达到16.29，均方误差（MSE）达到25.40，优于目标检测计数。所提出的方法可用于执行节省时间的分析，以帮助估计产量和实施后续果园管理，并展示了使用密度图作为估计开花强度的输出的潜力。生成了最终的密度图和花朵的数量。使用自建荔枝雄花数据集的实验结果证明了输出密度图和花数的可行性。花数由模型估计，在测试集上平均绝对误差（MAE）达到16.29，均方误差（MSE）达到25.40，优于目标检测计数。所提出的方法可用于执行节省时间的分析，以帮助估计产量和实施后续果园管理，并展示了使用密度图作为估计开花强度的输出的潜力。生成了最终的密度图和花朵的数量。使用自建荔枝雄花数据集的实验结果证明了输出密度图和花数的可行性。花数由模型估计，在测试集上平均绝对误差（MAE）达到16.29，均方误差（MSE）达到25.40，优于目标检测计数。所提出的方法可用于执行节省时间的分析，以帮助估计产量和实施后续果园管理，并展示了使用密度图作为估计开花强度的输出的潜力。花数由模型估计，在测试集上平均绝对误差（MAE）达到16.29，均方误差（MSE）达到25.40，优于目标检测计数。所提出的方法可用于执行节省时间的分析，以帮助估计产量和实施后续果园管理，并展示了使用密度图作为估计开花强度的输出的潜力。花数由模型估计，在测试集上平均绝对误差（MAE）达到16.29，均方误差（MSE）达到25.40，优于目标检测计数。所提出的方法可用于执行节省时间的分析，以帮助估计产量和实施后续果园管理，并展示了使用密度图作为估计开花强度的输出的潜力。