小麦抽穗检测是小麦重要性状评价的重要手段。然而，由于领域特征和环境条件的差异，从不同领域的图像中检测麦穗一直具有挑战性。本研究旨在提高小麦图像中麦穗检测的鲁棒性。本研究采用傅立叶域自适应(Fourier domain Adaptation，FDA)、自适应alpha - beta - gamma校正(adaptive alpha beta gamma correction，AABG)和随机引导滤波(random guided filter，RGF)预处理相结合的方法。本文利用FDA通过将图像转换为傅里叶域来减少不同域之间的变化，将其分布与另一个域的随机选择图像对齐。AABG基于图像patch的局部统计调整图像属性，并使用边缘感知图像滤波技术RGF进行增强。在公开可用的小麦数据集上训练了一个EfficientDet模型，并对结果进行了分析，并与基线模型进行了比较。与0.6292的基线mAP相比，FDA+RGF方法实现了0.6534的平均精度(mAP)的改进。我们的研究有助于推进农业中的麦穗检测技术，通过数据依赖方法专注于改善结构域变异，解决麦穗外观变化等因素。

图1  源，目标和最终的FDA图像及其相应的直方图。

图2  (A-D)原始图像；(E-H) AABG变换图像。

图3  源图像、目标图像和生成的FDA + AABG图像。

图4  随机引导图像滤波器的输出。(A-D)原始图像；(E-H) RGF变换后的图像。

图5  GWHD检测结果可视化。(A-F) GWHD中不同域的预测小麦图像。红框为FDA单独预处理的结果，蓝框为FDA + RGF预处理和增强的结果。

图6 Spike数据集检测结果的可视化。(A-D)来自穗小麦数据集不同生育期的图像。红色为FDA仅预处理，蓝色方框为FDA + RGF预处理和增强的结果。

图7  图表显示了两种方法在不同领域的检测精度结果。

图8  一些错误预测的检测框。地面真相是红色的，而预测是绿色的。(A)一个串通的小麦图像。(B)带有小边框的图像。(C)麦穗模糊图像。