改进YOLOv5测量田间小麦单位面积穗数

来源：农业工程学报杂志2022年第16期北京时间：

作者：黄硕,周亚男,王起帆,张晗,邱朝阳,康凯,罗斌,

摘要：单位面积穗数是决定小麦产量的主要因素之一。针对人工清点小麦穗数的方法容易受主观因素影响、效率低和图像处理方法鲜有进行系统部署等问题，提出一种注意力模块（Convolutional Block Attention Module，CBAM）与YOLOv5相结合的CBAM-YOLOv5网络结构，通过对特征图进行自适应特征细化，实现更准确的单位面积穗数测量。该研究以本地采集小麦图像数据和网络公开小麦图像数据为数据集，设置输入图像分辨率为1 280，得到CBAM-YOLOv5模型，可以达到0.904的F1分数和0.902的平均精度，测试集计数的平均相对误差为2.56%，平均每幅图像耗时0.045 s，综合对比，CBAM-YOLOv5模型具有显著优势。模型放置于服务器，结合手机端软件和辅助装置，形成单位面积穗数测量系统，实现育种小区麦穗图像实时采集、处理和计数，计数的平均相对误差为2.80%，抗环境干扰性强。该研究方法与装置可以实现田间小麦单位面积穗数的实时在线检测，降低主观误差，具有较高的准确率及较强的鲁棒性，为小麦单位面积穗数快速、准确估测提供一种新的技术和装备支撑。

关键词：模型, 小麦, 单位面积麦穗数, 深度学习, YOLOv5, CBAM