基于GA-DETR的自然场景谷类作物穗部检测方法

来源：农业机械学报杂志2026年第1期北京时间：

作者：王佳诗，崔晨曦，杜奥博，石祥龙，刘进宝，邓雪寒，杨万能，宋鹏，段凌凤，翟瑞芳

单位：华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,

摘要：全球三大谷类作物（水稻、小麦、玉米）穗部的检测，是精准农业与谷类作物表型分析中的基础任务。然而，在复杂田间环境中，穗部分布密集、尺度差异显著且存在大量小目标严重影响检测精度。为解决这些问题，本研究提出一种基于RT-DETR架构的门控注意力DETR（GA-DETR），并引入3个创新组件：针对谷物穗部细节特征，设计门控机制C2F（GMC2F）模块，通过动态通道加权与跨阶段局部特征融合，提升骨干网络的特征判别能力。为解决谷物穗部形态差异导致的尺度不匹配问题，提出注意力上采样尺度序列特征融合（AUSSFF）模块，借助3D卷积强化多尺度特征依赖。针对无人机图像中小目标检测难题，提出FPIoU损失函数，结合目标尺寸自适应加权与难度感知分层策略，优化对难检测样本的处理能力。在水稻穗数据集（RiceR）、小麦穗数据集（GWHD）和无人机玉米雄穗数据集（MTC-UAV）上，GA-DETR性能优于基准模型RT-DETR及其他5种主流检测模型，mAP@0.5分别达到92.8%、91.7%和91.3%，对于水稻穗数据集（RiceR）模型内存占用量减少32.5%，浮点运算量降低14.4%。在GWHD数据集的穗部计数任务中，该框架性能超过5种主流框架，平均绝对误差（MAE）为5.650，均方根误差（RMSE）为7.383。GA-DETR有效平衡了检测精度与效率，为谷物穗部通用检测框架提供了跨物种特征建模范式，且兼容小麦、水稻、玉米等多种谷类作物，以及地面相机、无人机等不同采集平台的数据，可支持谷物自动化高通量田间表型监测，进一步推动精准农业发展。

关键词：谷类作物;穗部检测;密集目标;目标检测;无人机;GA-DETR

基金资助：农业农村部科技项目和国家自然科学基金项目（32170411）