基于改進YOLOv5的小麥穗目標檢測模型

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節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。

基于常規計算機視覺和圖像處理方法檢測小麥穗的研究受制于環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測平臺，促進小麥育種技術的發展和進步。