麦穗的检测和计算在植物科学领域具有重要研究意义，可以用于作物田间管理、产量预测和表型分析，随着计算机视觉技术在植物科学中的广泛应用，自动化高通量植物表型平台的监测成为可能。目前，许多创新方法和新技术被提出，在麦穗识别的准确性和稳定性方面取得了重大进展。然而，这些方法需要高性能的计算设备，从而缺乏实用性。在资源受到限制的情况下，这些方法无法得到有效的应用和部署，从而无法满足实际应用的需求。根据最近的玉米雄穗研究，我们提出了TasselLFANet，这是目前蕞先进的检测和计数玉米雄穗的神经网络。在此工作的基础上，开发了一个称为WheatlFANet的高实时轻量级神经网络用于麦穗检测。WheatlFANet具有更紧凑的编码器-解码器结构和有效的多维信息映射融合策略，使其能够在低端设备上高效运行，同时保持了较高的准确性和实用性。在全球麦穗检测数据集上的评估报告表明，WheatlFANet优于其他先进方法，其平均精度AP为0.900，预测值与真实值之间的R²值为0.949。此外，它的运行速度比所有其他方法都快一个数量级( Tassel LFANet : FPS : 61)。大量实验表明，WheatlFANet表现出比其他先进方法更好的泛化能力，在保持精度的同时实现了一个数量级的速度提升。本研究的成功证明了在低端设备上实现实时小麦穗重检测的可行性，也表明了简单强大的神经网络设计的实用性。

图1 小麦麦穗自动识别的视觉挑战和难点

a 由于不同地区的品种差异而导致的外观变异

b 不同生长阶段导致的质地差异

c 由于天气条件变化引起的光照变化

d 精耕细作造成的密集分布和显著遮挡

e 复杂背景导致的多样性和诱导的视觉形态

f 由风、成像角度和视角差异引起的形态变化

图2 Gwhd-2021数据集的样本，下标对应于源码

图3 GWHD-2021数据集中的实例分布，红线表示每幅图像的中位数实例数，黄线表示每幅图像的平均实例数

图4 WheatLFANet全局回归架构，输出通道数C1、C2和C3分别为32、64和128，( Conv k × k)，其中k为卷积核的大小，相比于TasselLFANet的核心架构，下采样方法由普通的Conv层代替，特征映射层为更轻量级的CSPLayer

图5 不同方法的预测结果示意图，GT表示真实计数，PD表示预测计数，红色点是基于GWHD-2021数据集的人工标注

图6 模型的计数检验结果图，左图显示了模型预测计数和真实计数的线性回归结果，右图显示了计数误差的直方图，每个模型的计数误差的中值点被标记成一条红线

图7 Area-F1-Confdence ( AFC )曲线

图8 比较了不同模型在不同分辨率下的速度，WheatLFANet显示出绝对的优势