评估麦穗数有助于衡量粮食产量，从小麦冠层图像中检测和表征穗数是小麦育种过程中的重要组成部分。然而小麦的穗数和密度主要依靠人工评估，劳动强度大且不准确，导致约10 %的测量误差。因此，基于机器学习的自动化麦穗检测和计数方法有助于估算小麦产量，进而挖掘小麦潜在性状。本研究基于单个图像引入三种小麦穗数网络(WHCNet_1、WHCNet_2和WHCNet_3)准确估计了小麦穗数，并构建了高质量的密度图用于说明麦穗在图像中的分布。通过与CSRNet的比较，显示WHCNets利用卷积神经网络（Convolutional Neural Networks，CNN）层之间的跳跃连接，能够将低CNN层与高CNN层的特征整合在一起，从而使输出的密度图具有较高的空间分辨率和更详细的输入图像表示。试验结果表明，WHCNets在模型规模较小的情况下，在评价指标、平均绝对误差(MAE)和均方根误差(RMSE)方面优于CSRNet。

如表1所示，模型WHCNet _ 1在测试图和整幅图像上都取得了最低的MAE和RMSE，但其模型规模是4个模型中最大的。为了降低复杂度和计算成本，本研究在WHCNet 2和WHCNet _ 3中只保留一个跳跃连接，使其模型规模都有所减小，同时在MAE和RMSE的评价指标上性能略有下降。尽管WHCNet_2和WHCNet_3的模型规模比CSRNet小，但在评估指标MAE和RMSE上，WHCNets模型仍优于CSRNet。

CSRNet的结构是一个连续的CNN，随着网络的深入，麦穗的位置信息退化，影响密度图输出的质量。从图5中可以看出，本研究提出的模型相较于CSRNet能够检测到更多的细节信息。例如，1区域的麦穗被CSRNet忽略，但被本文提出的模型明显标记，WHCNet_2比CSRNet更加详细。此外，3区麦穗仅被WHCNet_2检测到。图6中与原始图像相比，WHCNet_2生成的密度图质量最好。

表1. WHCNets和基线模型CSRNet的性能比较

图1. 麦穗图像具有密麦穗密度、中麦穗密度。左侧为标记麦穗图像的边界框，右侧展示了β=0.3，k=3的几何自适应生成的相应密度图。

图2. WHCNet _ 1的总体架构。

图3. WHCNet _ 2的总体架构

图4. WHCNet _ 3的总体架构

图5. CSRNet、WHCNet _ 1和WHCNet _ 2生成的密度对比图。红色方块标注密度图之间的主要差异。1、3和4没有被CSRNet模型检测到，但被本文提出的模型检测到。

图6. 第一行是麦穗图像及其地面真值密度图。第二行是WHCNet _ 1、WHCNet _ 2、WHCNet _ 3和CSRNet生成的密度图。