小麦是世界范围内的重要谷物，在田间环境下准确识别麦穗对健康监测和产量估计至关重要。然而，由于小麦植株往往呈现密集重叠状态以及不可控的田间环境，麦穗的田间识别具有很大挑战性。

本研究旨在利用卷积神经网络（Convolutional Neural Networks, CNNs）增强麦穗识别精度，重点创建一个适用于不同生长环境的通用解决方案。作者利用来自全球小麦检测竞赛（Global Wheat Detection Competition）、SPIKE数据集和Wheat 2017数据集的数据，结合先进的数据增强技术，如自定义马赛克增强（custom mosaic augmentation）、MixUp和重度增强（heavy augmentation）以提高模型的稳健性。本研究包括广泛的数据预处理、外部数据集集成、使用EfficientDet和Faster R-CNN FPN模型的综合模型训练过程。训练策略包括五重交叉验证、混合精度训练和伪标记以迭代地改进模型性能。模型集成技术和测试时间的增加进一步提高了检测精度。

结果表明：基于IoU阈值和平均精度值（mAP），EfficientDet-D7模型在特别是更大的图像进行训练时，不同折叠中始终获得更高的检测精度；迭代伪标注过程有效增强了模型的泛化，逐步提高模型的预测精度并增强其泛化能力。

本研究利用卷积神经网络技术提高了多种田间环境下麦穗识别的准确性和稳健性，通过整合丰富多样的数据集确保不同生长条件和环境下本方案的广泛代表性。本研究包含了复杂的数据增强策略，基于EfficientDet和Faster R-CNN FPN模型在目标检测任务中的优势，为麦穗识别提供了强有力的框架。未来工作将探索模型架构的进一步增强和其他数据源的集成，以继续推进农业图像分析领域。

图1. 自定义马赛克增强（custom mosaic augmentation）应用实例

图2 Mosaic, Mixup, Augmentation的应用实例

表1. 通过不同的模型和配置的验证平均精度（AP）