改进YOLOX检测单位面积麦穗

1.引言

 单位面积麦穗数是估算小麦产量的重要指标，对于作物表型参数计算、产量预测和大田管理都具有重要的意义。目前的研究均未以单位面积麦穗图像为研究对象，为准确获取单位面积麦穗数，为此提出了基于改进YOLOX的单位面积麦穗检测方法，利用采样框直接实现单位面积麦穗计数。首先，设计了一种简单的单位面积采样框，通过训练角点检测网络识别采样框，以提取单位面积小麦区域。

其次，针对麦穗检测中存在的目标密集和相互遮挡问题，在麦穗检测网络的特征融合层，采用上下文信息进行特征重组的上采样方法（Content-Aware ReAssembly of Features，CARAFE）代替YOLOX-m模型中的上采样算法，同时结合迭代注意力特征融合模块（iterative Attentional Feature Fusion，iAFF），增加对麦穗空间信息和语义信息的提取。

     2 研究方法

2.1 基于改进YOLOX的单位面积麦穗检测方法

YOLO系列是目标检测算法的代表性工作，其中的YOLO V3在不同领域得到了广泛的应用。以YOLO V3-SPP作为基础，结合耦合检测头、Mosaic和MixUp数据增强策略、无锚框机制（Anchor-free）的YOLOX目标检测模型，具有检测精确度高和部署灵活的优点[33]。

单位面积麦穗的计数，需同时考虑检测单位面积采样框和麦穗数量两个问题，即算法只需统计在单位面积框内的小麦麦穗数量。因此，本文提出一个基于改进YOLOX的单位面积麦穗检测方法。YOLOX-s是YOLOX系列中模型深度和特征图宽度较小的网络，YOLOX-m是在其基础上进行了加深和加宽。由于采样框角点特征明显，因此利用YOLOX-s模型训练采样框角点检测网络，实现对采样区域的准确提取。同时，利用改进的YOLOX-m模型训练麦穗检测网络，实现对麦穗的精准检测。最后，基于提取的采样区域，统计位于单位面积框内部的麦穗，实现对单位面积麦穗检测的目的。

    

2.1.1 基于YOLOX-s的采样框角点检测网络

为了获取单位面积麦穗数，需要对采样框进行检测。传统的基于