稻穗是水稻植株的关键部分，在水稻种植中对产量估计、病虫害检测和生长阶段管理起着至关重要的作用。使用无人机拍摄稻田照片时，高拍摄角度和广阔的覆盖面积可能导致稻穗在拍摄图像中显得较小，并且可能导致图像边缘物体出现角度失真，从而造成严重的遮挡和稻穗密集排列。这些因素是无人机图像获取过程中的独特挑战，可能影响稻穗检测的准确性。本研究提出了一种结合深度学习算法与无人机视角的稻穗检测方法。首先，基于改进的YOLOv5，引入了EMA（高效多尺度注意）注意机制，设计了一种新颖的neck网络结构，并集成了SIoU（SCYLLA交并比）。实验结果表明，RICE-YOLO在稻穗数据集上实现了94.8％的mAP@0.5和87.6％的召回率。在不同生长阶段，它在抽穗期间实现了96.1％的AP@0.5和93.1％的召回率，而在灌浆期间实现了86.2％的AP@0.5和82.6％的召回率。总体而言，本研究所提出的方法能够在田间环境中实现稻穗的实时、高效和准确检测与计数，为水稻生长过程管理中的实时和高效稻穗检测提供了理论基础和技术支持。

图1 研究场地和双季稻试验设计。

图2 利用无人机获取图像。

图3 图像裁剪过程。

图4 不同生长阶段稻穗的手动标记图像。粉色框表示抽穗期的稻穗，橙色框表示灌浆期的稻穗。

图5 五种图像增强方法

图6 YOLOv5和RICE-YOLO 结果比较。

图7 C3-EMA 模型。

图8 所提出的neck 网络。

图9 SioU损失函数。

图10 C3-EMA配置在YOLOv5的不同模块中。EMA模块集成在骨干网络的第一个（a）、两个（b）、三个（c）和所有（d）C3模块中。EMA模块集成在SPPF模块和骨干网络之间的C3中（e），以及颈部网络的自顶向下（f）和自底向上（g）。

图11 使用YOLOv5和RICE-YOLO生成的用于稻穗检测的热图的比较：（a）RGB图像，（b–d）网络不同层次的热图。

图12 深度学习模型之间的比较结果，黄色、蓝色和紫色箭头分别指出了误检测、漏检测和重复检测。小规模（a）和（b）稻穗的情景，紧密排列（c）和（d），重叠（e）和（f）。

图13 在复杂的田间环境中，深度学习模型之间的比较结果，黄色、蓝色和紫色箭头分别指出了误检测、漏检测和重复检测。光线过强情况下的稻穗情景（a）和（b），阴影条件（c）和（d），反射情况（e）和（f）。

图14 不同生长阶段的稻穗分布：（a）每张图像平均稻穗数量，（b）稻穗的平均面积。

图15 水稻在不同生育期的差异。

图16 YOLOv8与YOLOv5特征提取模块和颈部网络之间的差异。

图17 比较YOLOv8和YOLOv5的检测头之间的差异。