【研究单位】山东农业大学信息科学与工程学院农业大数据研究中心、山东农业大学小麦育种全国重点实验室
【课题来源】山东省自然科学基金项目（ZR2021MC168）；国家自然科学基金项目（32070684、31571306）。
【成果说明】
小麦穗数是小麦产量预测和育种评价中的重要表型指标，快速、准确地获取田间麦穗数对于小麦产量估测、种植管理和优良品种筛选具有重要意义。然而，传统田间数据采集方式难以在短时间内获得数千甚至数万张高质量图像，田间麦穗之间的遮挡和重叠也增加了标注的难度。
本研究提出了一种利用模拟数据开展麦穗计数的方法，通过模拟真实小麦田间条件获取麦穗图像数据，并利用深度学习模型进行麦穗计数。研究训练和测试了Faster-RCNN、YOLOv7、YOLOv8、CenterNet、SSD、RetinaNet、EfficientDet、Deformable-DETR和DINO共9种深度学习模型。模型效果如图1所示。
图1：9种模型的结果对比
本研究利用模拟数据进行模型训练和验证，其中训练集包含800幅模拟图像，验证集包含200幅模拟图像；随后利用真实麦穗图像进行测试，共包含1330幅图像。实验结果表明，YOLOv7模型取得了较好的麦穗计数效果，在1330幅真实麦穗图像上的R²达到0.963，RMSE为2.463。如图2所示。研究还对不同数据量、生长阶段、光照条件、图像模糊以及麦穗重叠条件下的模型性能进行了分析。
图2：模拟数据与真实数据训练效果比较。(a) 800 张灰度模拟图像训练；(b) 2500 张 SDAU2021 真实 RGB 图像训练；(c) 3360 张 GWHD 真实 RGB 图像训练；(d) 3360 张灰度 GWHD 真实图像训练。
该研究成果以“Counting wheat heads using a simulation model”为题发表在《Computers and Electronics in Agriculture》，2025年，228卷，109633。
【用户使用】
该研究涉及多次深度学习模型训练和实验分析，整个计算过程中需要进行大量模型训练和推理计算资源。山东农业大学超算中心为团队提供多模型、多数据集的深度学习实验等计算支持，缩短模型训练与实验验证周期，为模拟数据构建方法的有效性验证以及小麦穗计数模型的性能比较提供了计算保障。
【论文】
X. Sun, T. Jiang, et al., “Counting wheat heads using a simulation model,” Computers and Electronics in Agriculture, 228, 109633 (2025).