摘要：小麥穗的自動檢測在小麥估產和育種方面具有較大科研價值，當前小麥穗檢測方面仍存在模型復雜度較高、精度較低等問題。將深度學習技術應用于小麥穗檢測，提出了基于改進YOLOv5的小麥穗精確檢測模型。模型將YOLOv5主干網絡中的卷積模塊替換為Ghost卷積，實現模型輕量化；使用ACON激活函數替換默認的SiLU激活函數，從而使激活函數更加靈活以擴大設計空間；使用對所有IoU Loss增加n冪的Aipha-IoU Loss替換YOLOv5默認的CloU Loas以提高模型前期收斂速度；在網絡中加入加權雙向特征金字塔（BiFPN），改進的模型可實現參數量降低63.3%、計算量降低66.8%的情況下mAP僅降低2.17%，可滿足實際應用和移動端部署的要求。提出了使用解耦頭（Decouple Head）替換默認YOLO Head，比官方YOLOv5的mAP提高1.83%，證明了解耦頭可以提高模型精度。

關鍵詞：深度學習，目標檢測；小麥穗檢測，輕量化模型；YOLO Head解耦頭

中圖分類號：S126 文獻標識碼：A 文章編號：2095-1795（2023）03-0050-07

DOI：10.19998/j.cnki.2095-1795.2023.03.009

0引言

2022年聯合國糧食及農業(yè)組織統計數據顯示，2020年小麥全球產量約7.6億t，是最重要的農作物品種之一。隨著人口增長，小麥增產壓力不斷增加，迫切需要從培育高產品種方面尋求突破。小麥育種的一個煩瑣但重要的環(huán)節(jié)是測量小麥的不同性狀，也被稱為表型分析。單位面積穗數是評價小麥是否為高產品種的重要表型，是評估小麥產量的重要指標之一。當前，獲取該表型的工作仍需要大量人工，極大地制約了根據該表型篩選高產小麥品種的工作進展。

基于常規(guī)計算機視覺和圖像處理方法檢測小麥穗的研究受制于環(huán)境因素給小麥穗圖像帶來的一些不利影響，包括刮風和拍攝設備移動導致的麥穗圖像模糊，以及環(huán)境光線過強或過弱導致的曝光過度或不足問題。小麥穗本身因素包括小麥穗顏色和形狀差異、重疊、方向不同等問題。目前部分基于深度學習技術的目標檢測模型比較適合于小麥穗檢測，但檢測精度仍有待提高，并且由于模型參數量多、計算復雜度高，難以部署于移動設備，影響在實際的高通量表型平臺上使用。

為了解決這些問題，本研究提出可部署于移動設備的參數量較小的YOLOv51 G模型和精確度較高的YOLOv51-Decouple Head模型。通過使用不同的數據集訓練模型，并進行數據集擴充提高樣本多樣性，提高模型的泛化能力。在保證小麥穗計數精度和效率的前提下可減少大量人工，有助于構建高通量小麥表型監(jiān)測平臺，促進小麥育種技術的發(fā)展和進步。