由于田间麦穗分布密集、大小多样，且杂草覆盖严重，开发高精度的麦穗检测算法具有挑战性。在这项工作中，我们提出了用于复杂场景下麦穗检测和计数的多尺度特征增强网络(MFNet)。首先，引入一种可变形空间注意机制(deformable spatial attention mechanism，DSAM)并将其嵌入到主干网络中，在抑制无关特征的同时增强对麦穗特征的提取，有效提高了闭塞环境下麦穗的检测效果。其次，结合改进的轻量化特征金字塔模块，设计了多尺度感受野特征融合(multi-scale receptive field feature Fusion，MRFF)模块，实现了对不同尺寸麦穗的更精确检测，同时提高了定位精度；此外，改进的可变形卷积检测头能够适应不同形状的麦穗特征，并能准确预测边界盒。提出的方法在GWHD数据集上以30 FPS的速度达到94.2% AP@50，为了验证所提出方法的通化性，构建了一个带注释的密集小麦麦穗检测(DWHD)数据集，在DWHD和SPIKE数据集上进行了实验，并将它们与最先进的算法进行了比较。实验结果表明，所提方法优于现有的大多数方法，进一步证明了所提方法的优越性和鲁棒性，也证明了我们的模型具有优异的适应性，能够灵活应对复杂田间环境下尺度差异显著和严重遮挡的麦穗场景，为小麦表型监测提供了技术参考。

图1  实验现场和无人机麦穗图像。(a)原始图像，(b)翻转图像，(c-f)手动标记图像。

图2  来自数据集的图像示例：(a) GWHD数据集，(b) SPIKE数据集和(c) DWHD数据集。

图3  MFNet的总体框架。它包括四个部分：(a)数据增强：通过对输入数据进行随机翻转和随机截断操作来增强样本的复杂度；(b)特征提取：从输入图像中提取麦穗特征；(c)特征融合：对(b)中提取的不同尺度的特征图进行融合，增强麦穗特征；(d)检测头：输出三个分支，分别用于麦穗特征分类、回归和质心校正。

图4  骨干网络。(a)骨干网总体结构，由5个阶段组成。(b) Resnet50。(c)内置Dconv和DSAM。

图5  建议的DFPN。设计的MRFF结合改进的特征金字塔网络，最终输出三种不同尺度的特征映射。

图6 GWHD数据集小麦穗尺度统计。

图7  修改后的检测头。回归分支和中心性分支共享参数，在分类分支中分离。

图8  最新技术检测性能的可视化比较。

图9  MFNet可以在密集和阴影场景中准确检测麦穗，但对于严重遮挡的场景，MFNet会被误认为是麦穗。