准确估算水稻产量对于确保全球粮食安全、提高农业生产力和促进农业经济增长至关重要。本研究构建了不同生育期水稻穗部数据集，结合注意机制和YOLOv8网络，提出了基于无人机遥感平台的YOLOv8 +LSKA+HorNet水稻穗部检测计数模型。利用该模型收集的穗数数据，结合水稻氮素梯度试验田的千粒重、每穗粒数和实际产量数据，对各种机器学习模型进行训练，最终提出了一个田级水稻快速产量估计模型RFYOLO。实验结果表明，该模型的平均检测精度为98.0%，检测速度为20.3毫秒。最终产量估算模型的预测R2值为0.84。该检测计数模型显著减少了水稻穗的漏检和重复检测。此外，本研究通过算法创新增强了模型的泛化能力和实用性，并通过水稻氮梯度实验验证了产量数据范围对估算模型稳定性的影响。这对于早稻产量估算和帮助农业生产者做出更明智的种植决策具有重要意义。

图1  实验场地示意图。

图2  氮梯度试验场示意图。

图3  田间水稻穗图像。(一)清晰；(B)轻微遮挡；(C)强光照；(D)高曲率；;(E)严重遮挡；(F)严重遮挡。

图4  增强的田间水稻穗图像。(A)水稻穗原图像；(B)顺时针旋转90°；(C)顺时针旋转180°；(D)顺时针旋转270◦；(E)加噪；(F)色彩增强。

图5  水稻穗数预测及准确计数结果。

图6 大图像与分割小图像检测的检测效果比较。(A)对原始图像的检测效果；(B)分割成小图像后的检测效果。

图7  HorNet模块结构图(*表示张量形状描述中未指定尺寸)。

图8  网络结构示意图。

图9  实验过程示意图。

图10  不同模型对同一组照片的预测结果。

图11  模型预测热图. (A) YOLOv8s+LSKA+HorNet; (B) YOLOv8s; (C) YOLOv7; (D) YOLOv5s; (E) DDQ; (F) DINO. 

图12  训练模型的预测结果。(A) YOLOv8s; (B) YOLOv8s+LSKA;

(C) YOLOv8s+HorNet; (D) YOLOv8s+LSKA+HorNet.

图13  不同产量估计模型的训练和预测图(黄色X表示实际产量和估计产量在坐标上的交集)。