水稻穗密度是无人收割机自动调速的重要依据之一，密度检测对智能化升级至关重要。目前，现有的水稻穗密度检测方法不符合实际收获场景，难以满足实时性要求。为了解决这个问题，我们开发了一种用于无人收割机的实时水稻穗密度检测方法。该方法包括基于YOLOv5n (RP-YOLO)的穗粒检测模型和基于坐标变换的水稻穗粒密度计算。通过增强目标检测头、重新配置骨干网和下采样模块、引入注意机制、细化损失函数等技术对RP-YOLO进行了优化。在坐标转换的基础上，将检测帧顶点的世界坐标转换为图像坐标，计算出圆锥密度。建立了粳稻RP- 1668数据集，并对模型进行了训练和测试。与原来的YOLOv5n模型相比，改进后的模型每秒浮点运算次数(FLOPs)减少33.33%，模型大小减少31.90%，检测速度提高12.63%，准确率(AP0.5)提高3.82% (AP0.5:0.95, 6.96%)。RP-YOLO与传统的轻量化和非轻量化模型相比，具有更高的精度和检测速度。在田间应用中，与人工计数相比，密度检测的误差小于10%，结果清晰地反映了水稻穗密度的变化。对于1.4 m × 1.0 m稻田成像区域(分辨率为2560 × 1280)，该方法在车载工业计算机上以15 fps的速度进行检测，为无人驾驶收割机的操作速度调整提供可靠的数据支持。

图1  样本和图像采集。(a)采集地点；(b)样本。

图2  水稻穗密度检测方法。

图3  数据增强的示例。

图4  RP-YOLO的网络结构。

图5  改进的C3模块结构。

图6 Downing模块结构。

图7  CBAM-R模块结构。

图8  采收作业地点及空间坐标位置设置。

图9  RP-YOLO的穗部检测结果。

图10  RP-YOLO与轻量级YOLO模型的比较：(a) Precision; (b) Recall; (c) AP0.5; (d) FLOPs; (e) Model size; (f) FPS.

图11  RP-YOLO与轻量级YOLO检测水稻穗部的比较。

图12  RP-YOLO与常规模型(非轻量化)水稻穗部检测的比较。

图13  水稻穗密度检测的田间应用。

图14  YOLOv5L和RP-YOLO水稻穗部特征热图。

图15  RP-YOLO的错误和漏检。注:a-1、a-2为误检，b-1、b-2、b-3、b-4、b-5为漏检。