水稻穗密度是無人收割機自動調(diào)速的重要依據(jù)之一，密度檢測對智能化升級至關(guān)重要。目前，現(xiàn)有的水稻穗密度檢測方法不符合實際收獲場景，難以滿足實時性要求。為了解決這個問題，我們開發(fā)了一種用于無人收割機的實時水稻穗密度檢測方法。該方法包括基于YOLOv5n (RP-YOLO)的穗粒檢測模型和基于坐標變換的水稻穗粒密度計算。通過增強目標檢測頭、重新配置骨干網(wǎng)和下采樣模塊、引入注意機制、細化損失函數(shù)等技術(shù)對RP-YOLO進行了優(yōu)化。在坐標轉(zhuǎn)換的基礎(chǔ)上，將檢測幀頂點的世界坐標轉(zhuǎn)換為圖像坐標，計算出圓錐密度。建立了粳稻RP- 1668數(shù)據(jù)集，并對模型進行了訓(xùn)練和測試。與原來的YOLOv5n模型相比，改進后的模型每秒浮點運算次數(shù)(FLOPs)減少33.33%，模型大小減少31.90%，檢測速度提高12.63%，準確率(AP0.5)提高3.82% (AP0.5:0.95, 6.96%)。RP-YOLO與傳統(tǒng)的輕量化和非輕量化模型相比，具有更高的精度和檢測速度。在田間應(yīng)用中，與人工計數(shù)相比，密度檢測的誤差小于10%，結(jié)果清晰地反映了水稻穗密度的變化。對于1.4 m × 1.0 m稻田成像區(qū)域(分辨率為2560 × 1280)，該方法在車載工業(yè)計算機上以15 fps的速度進行檢測，為無人駕駛收割機的操作速度調(diào)整提供可靠的數(shù)據(jù)支持。

圖1  樣本和圖像采集。(a)采集地點；(b)樣本。

圖2  水稻穗密度檢測方法。

圖3  數(shù)據(jù)增強的示例。

圖4  RP-YOLO的網(wǎng)絡(luò)結(jié)構(gòu)。

圖5  改進的C3模塊結(jié)構(gòu)。

圖6 Downing模塊結(jié)構(gòu)。

圖7  CBAM-R模塊結(jié)構(gòu)。

圖8  采收作業(yè)地點及空間坐標位置設(shè)置。

圖9  RP-YOLO的穗部檢測結(jié)果。

圖10  RP-YOLO與輕量級YOLO模型的比較：(a) Precision; (b) Recall; (c) AP0.5; (d) FLOPs; (e) Model size; (f) FPS.

圖11  RP-YOLO與輕量級YOLO檢測水稻穗部的比較。

圖12  RP-YOLO與常規(guī)模型(非輕量化)水稻穗部檢測的比較。

圖13  水稻穗密度檢測的田間應(yīng)用。

圖14  YOLOv5L和RP-YOLO水稻穗部特征熱圖。

圖15  RP-YOLO的錯誤和漏檢。注:a-1、a-2為誤檢，b-1、b-2、b-3、b-4、b-5為漏檢。