文献类型： 中文期刊

作者： 李婕 ¹ ; 杨子豪 ¹ ; 郑权 ¹ ; 乔江伟 ² ; 涂静敏 ¹ ;

作者机构： 1.湖北工业大学电气与电子工程学院

2.中国农业科学院油料作物研究所

关键词： 模型;麦穗;目标检测;transformer;轻量化

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2024 年 40 卷 021 期

页码： 146-156

收录情况： EI ; 北大核心 ; CSCD

摘要： 小麦是重要的粮食作物之一，麦穗计数对于预测麦穗产量至关重要。针对现有的检测计数方法在复杂农田环境下存在检测精度不足、模型参数量大等问题，该研究提出一种轻量级麦穗检测模型RT-WEDT（real-time wheat ear detection transformer）。首先，选择基于transformer的轻量化网络EfficientFormerV2作为RT-WEDT的骨干网络，以提升特征提取效率的同时学习麦穗图像的长距离特征；其次，设计三重特征融合模块（triple feature fusion,TFF）并引入尺度序列特征融合模块（scale sequence feature fusion,SSFF）以构建多尺度增强混合编码器（multi-scale enhanced hybrid encoder,MSEHE），达到浅层和深层特征充分融合，提高模型在不同尺度上的检测精度；最后，采用WIoUv3损失函数作为边界框损失函数来优化模型对麦穗目标的定位准确度。在全球麦穗数据集上的试验结果表明，RT-WEDT模型的交并比阈值0.50的平均精度AP₅₀为90.2%，高于传统的目标检测模型。在自建的无人机视角麦穗数据集（drone perspective wheat spike dataset,DPWSD）上的交并比阈值0.50的平均精度AP₅₀为96.8%，验证了模型有较好的普适性。此外模型的参数量为12M，检测速度为79.7帧/s，可达到麦穗高通量实时检测的目的。该研究为实现高效、快速的小麦产量估计提供了技术支撑，对推动智慧农业的发展具有重要意义。