小麥?zhǔn)侨蜃钪匾募Z食作物之一，其產(chǎn)量直接影響到全球糧食安全。小麥穗的準(zhǔn)確檢測(cè)和計(jì)數(shù)對(duì)監(jiān)測(cè)小麥生長(zhǎng)、預(yù)測(cè)產(chǎn)量和田間管理至關(guān)重要。然而，目前的方法面臨著諸如穗大小變化、遮蔭、雜草干擾和密集分布等挑戰(zhàn)。傳統(tǒng)的機(jī)器學(xué)習(xí)方法已經(jīng)部分解決了這些挑戰(zhàn)，但它們受到檢測(cè)精度有限、特征提取復(fù)雜性和復(fù)雜現(xiàn)場(chǎng)條件下魯棒性差的限制。在本文中，提出了一種改進(jìn)的YOLOv10算法，顯著增強(qiáng)了模型的特征提取和檢測(cè)能力。這是通過(guò)引入雙向特征金字塔網(wǎng)絡(luò)(BiFPN)、分離和增強(qiáng)注意力模塊(SEAM)和全局上下文網(wǎng)絡(luò)(GCNet)來(lái)實(shí)現(xiàn)的。BiFPN采用自頂向下和自底向上兩種雙向路徑實(shí)現(xiàn)多尺度特征融合，提高了對(duì)不同尺度目標(biāo)的檢測(cè)性能。SEAM通過(guò)分別增強(qiáng)通道和空間特征的注意機(jī)制，提高了復(fù)雜環(huán)境下的特征表示質(zhì)量和模型性能。GCNet通過(guò)全局上下文塊捕獲圖像中的遠(yuǎn)程依賴(lài)關(guān)系，使模型能夠更準(zhǔn)確地處理復(fù)雜信息。實(shí)驗(yàn)結(jié)果表明，該方法的小麥穗檢測(cè)精度為93.69%，召回率為91.70%，mAP為95.10%，比YOLOv10模型的精度、召回率和mAP分別提高2.02%、2.92%和1.56%。檢測(cè)小麥穗數(shù)與人工計(jì)數(shù)小麥穗數(shù)的決定系數(shù)(R2)為0.96，平均絕對(duì)誤差(MAE)為3.57，均方根誤差(RMSE)為4.09，相關(guān)性強(qiáng)，精度高。改進(jìn)后的YOLOv10算法有效解決了復(fù)雜田間條件下小麥穗檢測(cè)難題，為農(nóng)業(yè)生產(chǎn)科研提供有力支持。

圖1  全球小麥穗檢測(cè)(GWHD)數(shù)據(jù)集中的一些示例圖像。

圖2  數(shù)據(jù)增強(qiáng)：(a)原始圖像，(b)翻轉(zhuǎn)，(c)旋轉(zhuǎn)，(d)亮度降低，(e)添加噪聲，(f)亮度增加，(g)切出，(h)拼接。

圖3  分離式和增強(qiáng)式注意力模塊的結(jié)構(gòu)。

圖4  改進(jìn)后的YOLOv10模型的整體網(wǎng)絡(luò)結(jié)構(gòu)。

圖5  小麥檢測(cè)穗數(shù)與實(shí)際穗數(shù)的擬合結(jié)果。(a) SSD擬合結(jié)果。(b)更快的R-CNN擬合結(jié)果。(c) YOLOv8擬合結(jié)果。(d) YOLOv9擬合結(jié)果。(e) YOLOv10擬合結(jié)果。(f)改進(jìn)的YOLOv10擬合結(jié)果。