基于改进YOLOv7模型的田间麦穗识别与计数

来源：中国农机化学报杂志2025年第12期北京时间：

作者：滕桂法, 闫明月, 姚竟发, 李嘉明

单位：(1. 河北农业大学信息科学与技术学院，河北保定，071001； 2. 河北省数字农业产业技术研究院，石家庄市，050011； 3. 河北省农业大数据重点实验室，河北保定，071001； 4. 河北软件职业技术学院，河北保定，071001； 5. 河北省智能互联设备与多模态大数据研发中心，河北保定，071001)

摘要：在小麦育种中，穗数是评价小麦产量的重要指标，及时、准确地获取小麦穗数对产量预测具有重要的现实意义。因此，提出一种新的网络模型YOLOv7—ASFF—ECA，将自适应特征融合(ASFF)和通道注意力机制(ECA)与YOLOv7相结合。试验采用本地采集的麦穗图像数据集，共包括3 373张麦穗图像。结果显示，该模型的精确率达到97.8%，召回率为97%，平均精度均值(mAP)为98.3%，F1值为97.4%，平均每幅图像的处理时间为28.1 ms，计数方面也几乎无漏检。为验证此模型在田间的准确度，将数据集按照光照强度大小分为光亮和阴影两种状态，按照平滑程度分为光滑和加噪状态，分别用此模型和其他模型进行对比试验。在阴影状态下，该模型的精确率为95.6%，召回率为97.5%，F1值为96.4%，mAP为97.3%。而在加噪态下，精确率为95.8%，召回率为97.0%，F1值为96.3%，mAP为97.8%。综合对比来看，YOLOv7—ASFF—ECA网络模型不仅保证高准确性，而且具备较快的检测速度和校准的计数。此外，该模型在处理田间小麦密度密集和严重遮挡等情况时具有出色的鲁棒性，为小麦麦穗的识别和产量预估提供新的技术支持。

关键词：小麦,麦穗识别,自适应特征融合,注意力机制,改进YOLOv7

基金资助：国家自然科学基金(U20A20180)；河北省农业科技成果转化资金项目(V1705309944504)；河北省重点研究计划项目(21327405D)；中国高校产学研创新基金资助课题(2021LDA10005)