大量研究表明，小麦产量与小麦穗数之间存在显著的正相关性。然而，田间采集小麦穗数据面临诸多挑战，包括环境条件的不可控性、数据质量的不一致性以及数据真实的模糊性。为应对这些挑战，我们开发了一种模拟策略，以复现真实小麦田的条件，从而能够在室内于短时间内完成数据采集。通过对模拟小麦图像进行灰度图像处理，我们训练并测试了九种深度学习模型：Faster-RCNN、YOLOv7、YOLOv8、CenterNet、SSD、RetinaNet、EfficientDet、Deformable-DETR和DINO。结果显示，YOLOv7表现最佳（R² = 0.963，RMSE = 2.463）。随后，我们将基于模拟小麦数据训练的模型与基于真实小麦数据训练的模型进行了比较（R²=0.963对比0.972，RMSE=2.463对比2.692）。在五个测试集（GWHD和SDAU2021-SDAU2024）上的模型性能也取得了良好结果。这些结果验证了我们的模拟策略的有效性，为精准农业领域提供了一种高效且便捷的方法。

图1模拟工作流程概览。a. 使用灰色泡沫板和风干小麦模拟的小麦田；b. 模拟小麦数据的采集过程；c. 测试集的组成；d. 模型对比流程；e. 两种实验失败的案例；f. 成功实验的案例。

图2 模型对比。a. 九种模型的参数数量及其在测试数据集上的均方根误差（RMSE），X轴表示模型参数数量（百万），Y轴表示RMSE值；b. 九种模型在测试集上预测小麦穗数量（Y轴）与真实穗数量（X轴）之间的散点图。

图3使用不同数量的模拟小麦图像训练模型性能的比较。a. 基于不同数量图像训练的YOLOv7模型在五个独立测试集（GWHD，SDAU2021-2024）上的性能比较；b. 基于不同数量图像训练的YOLOv7模型在整个测试集不同处理条件下的性能比较。

图4 模拟小麦与真实小麦的对比。a. 基于800张模拟小麦图像训练的YOLOv7模型测试结果，训练和测试图像均经过灰度图像处理；b. 基于SDAU2021中2500张绿色小麦图像训练的YOLOv7模型测试结果，训练和测试图像均采用原始RGB通道；c. 基于GWHD训练数据集中3360张图像训练的YOLOv7模型测试结果，训练和测试图像均采用原始RGB通道。d. 基于GWHD训练数据集中3360张图像训练的模型测试结果，训练和测试图像均经过灰度图像处理。

图5不同生长阶段的测试结果。a、b、c、d. 对四个日期（5月18日、5月23日、6月1日、6月3日）采集图像的测试结果；e. 四个日期测试结果的箱线图（左）；绿色小麦图像与黄色小麦图像的评估指标（中）；所有四个日期图像测试结果的散点图（右）。

图6 小麦穗重叠区域分析。a. 两个小麦穗重叠的区域；b. 三个小麦穗重叠的区域；c. 四个小麦穗重叠的区域。