摘要
小麦是世界上三大粮食作物之一，科学准确地预测小麦产量有助于保证粮食供给安全和社会稳定。单位面积小麦产量由麦穗数、穗粒数和千粒重三要素构成，其中穗粒数是小麦产量构成的重要因素和产量估测的关键参数之一，而传统的人工计数方法耗时费力，效率低下，人为因素影响大。因此，本研究基于深度学习和图像处理技术，结合麦穗结构和纹理特征，提出了小穗和穗粒分割模型以及两种计数模型，实现了快速、准确的小麦穗粒分割和计数。并且研发了小麦穗粒分割与计数系统，对小麦产量估测具有重要的应用价值和现实意义。主要研究结论和结果如下： 1.基于深度学习的小穗和穗粒分割模型构建。在不同拍摄背景下，以平行于麦穗的方式对不同品种的麦穗分别拍摄图像，通过图像归一化和数据增强对采集的麦穗图像进行预处理，并分别标注小穗和穗粒两种分割对象，构成了深度学习分割模型所需的小穗和穗粒数据集。结合迁移学习技术，以 HRNet（High-Resolution Net）为基准模型，通过加入多个不同分辨率的卷积注意力机制（Convolutional Block Attention Module，CBAM）构建了 CBAM-HRNet。CBAM-HRNet对小穗分割的精确度为95.99%，mIoU（Mean Intersection over Union）为91.19%；穗粒分割的精确度为92.04%， mIoU为85.21%。与其他分割模型相比，CBAM-HRNet具有出色的分割能力和效果，在参数量和计算开销略有增加的情况下取得了更加优异的性能，证明了CBAM模块的有效性。 2.基于麦穗结构和纹理特征的计数模型构建。通过分析麦穗的结构和纹理特征，结合图像处理技术构建小穗-粒数预测模型和穗粒计数模型，根据 CBAM-HRNet 的分割结果选择不同的计数模型进行穗粒计数，并与人工计数结果进行对比。小穗-粒数预测模型对小穗计数的 RMSE（Root Mean Square Error）为 0.63，决定系数 R2为0.92；对穗粒计数的 RMSE 为 2.84，R2为 0.92。穗粒计数模型中一侧穗粒数二倍法的RMSE为2.06，R2为0.87；两侧穗粒数之和法的RMSE为1.43，R2为0.94。两种计数模型都能够提高穗粒计数的精度，其中穗粒计数模型的两侧穗粒数之和法更接近人工计数结果。并且在大量不同小麦品种的数据上验证了两种计数模型的可重复性，小穗-粒数预测模型对小穗计数的R2为0.93，RMSE为0.45；对穗粒计数的R2为0.84，RMSE为3.44。穗粒计数模型中一侧穗粒数二倍法的R2为0.81，RMSE为3.77；两侧穗粒数之和法的R2为0.91，RMSE为2.60。两种计数模型在不同小麦品种的穗粒计数应用中具有一定的稳定性。 3.小麦穗粒分割与计数系统的设计与实现。小麦穗粒分割与计数系统基于Python和Vue等关键技术，设计了应用层、逻辑层和数据层三层体系架构，通过B/S（Brower/Server）框架进行前后端的数据交互。该系统以CBAM-HRNet和两种计数模型为基础，集成麦穗计数方法，实现了麦穗识别和穗粒计数两种功能的耦合。根据 uni-app 框架一次开发多端运行的特点，该系统实现了在Web、微信小程序和 App 平台上的应用。整个系统易于扩展和维护，具有极高的健壮性，能够快速、准确地对小麦穗粒进行计数，为小麦高效、智能化估产提供技术支持和平台支撑。
NETL