麦类作物学报

作者：韩桐鹤，张博涵，费帅鹏，李雷，孙海艳，王多霞，孟亚雄，肖永贵

单位：1. 甘肃农业大学农学院,甘肃兰州 730070； 2. 中国农业科学院作物科学研究所,北京 100081

关键词：麦穗计数,视频流,深度学习,无人机,YOLO,

基金：科技创新2030—“新一代人工智能”重大项目（2022ZD0115703）；国家自然科学基金项目（32372196）；科技创新工程-小麦稳产保供应急技术支撑项目（S2024XC08）

为了解利用深度学习技术实现小麦穗数高效精准测定的可行性，选取黄淮冬麦区10个小麦主栽品种（泛麦8号、周麦36、中麦895、马兰1号、新麦26、豫麦49、济麦22、中麦578、郑麦1860和中麦255），设置120 万、240万和360万株·hm-2三个种植密度，采用YOLO v5、YOLO v6、YOLO v8和YOLO v10四种深度学习算法，构建通过视频流实时识别计数小麦穗数的模型，并以小麦品种中麦578的生产田群体（300万株·hm-2）进行预测精度验证。结果表明，不同模型损失函数起点和下降幅度均存在差异，各模型对麦穗的检测性能均随迭代次数的增加而提升。在训练时间和检测效率方面，YOLO v6和YOLO v10模型速度较快，但检测性能和准确率均低于YOLO v5和YOLO v8。YOLO v5和YOLO v8模型耗时相对较长，但YOLO v8模型的召回率、F1分数、平均精度及准确率表现最佳，分别为90.90%、93.00%、97.20%和88.00%。YOLO v8模型识别穗数与真实计数的相关性随种植密度增加而降低，在三个种植密度下r2分别为0.92、0.81和0.79。经生产田群体验证，综合考虑r2、RMSE和MAE值，YOLO v8模型相对其他模型在小麦灌浆各阶段的穗数识别中表现最稳定，识别穗数精度最高；在视频流中YOLO v8模型检测穗数的r2最高，达到0.90。这说明YOLO v8模型在小麦群体穗数识别方面具有较高的可靠性，受种植密度、品种和穗数发育阶段影响较小，在复杂田间环境下同样表现出较好的鲁棒性和高效性，适用于产量预测、育种研究、栽培管理等场景。

来源：2026年第2期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2026年第2期