农业机械学报

作者：刘泽钰，周云成，梁铖玮，李瑞阳，张羽

单位：沈阳农业大学,沈阳农业大学,沈阳农业大学,沈阳农业大学,沈阳农业大学,

关键词：水稻;稻穗表型;穗粒数;计算机视觉;可变形卷积

基金：国家重点研发计划项目（2023YFD1501303、2021YFD1500204）

水稻穗粒数快速获取对筛选高产、优质品种具有重要意义，针对脱粒计数破坏稻穗拓扑结构，无法用于其他表型参数测量等问题，提出一种稻粒在穗计数方法。将稻粒在穗计数视为密度预测问题，基于可变形卷积，设计稻穗图像特征提取骨干网络，用少量选取的范本稻粒和稻穗图像的特征相关性，通过特征相关层生成特征相关图，在特征相关图基础上，重用并级联图像特征，预测稻粒密度分布，进而通过密度图求和，获取计数结果。试验结果表明，本文方法具有较高的计数精度，测试样本稻粒计数平均绝对误差（Mean absolute error, MAE）、均方根误差（Root mean squared error, RMSE）和平均相对误差（Mean relative error, MRE）分别为4.71、6.92和2.9%，MRE仅比人工走查高0.7个百分点，与现有基准方法（FamNet、CSRNet和ICACount）相比，MRE分别降低9.9、8.6、11.6个百分点；用可变形卷积设计的稻穗图像特征提取网络能有效提高稻粒计数精度，在参数量接近的前提下，基于该网络的模型MAE和RMSE比ResNet-50分别低19.3%和12.9%，模型具有良好的拟合能力，决定系数R2达0.940 5；相同网络架构下，可变形卷积比常规卷积在稻粒计数MAE和RMSE上分别降低28.9%和22.0%，MRE下降1.6个百分点；图像特征重用对提高稻粒计数精度具有重要作用，使模型在测试集上的MAE和RMSE下降27.6%和22.1%，MRE下降2.2个百分点。该方法单幅稻穗图像处理时间为0.92 s，有效提高了工作效率，可为稻穗表型检测和平台设计提供技术参考。

来源：2025年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第3期