准确预测小麦单位面积穗数对小麦生产至关重要，目前对小麦单位面积穗数的研究仍以人工调查为主。为了开发一种快速、低成本的更广泛基因型麦穗计数算法，减少遮挡和粘连对麦穗图像识别结果的影响，本研究提出了一种基于智能手机的麦穗自动计数方法。采用最小面积交点比(minimum area intersection ratio，MAIR)特征提取算法，利用迁移学习技术实现了基于YOLOv5模型的小麦穗数自动计数。

优化K-means特征提取算法，采用MAIR特征检测算法提高识别精度，实现优化后的麦穗密度识别R2 = 0.87，与未采用MAIR算法的模型相比，识别精度显著提高。在更大范围基因型的效率和性能测试中，基于YOLOv5s训练的模型精度和效率最优，最优深度迁移模型达到R2 = 0.95，结果表明迁移学习可以显著提高识别模型的识别精度。此外，从灌浆期到成熟期的整个时间段内，密度识别都很准确。因此，基于MAIR算法和迁移学习技术的小麦穗数预测可以提高小麦穗数的准确性。

图1 a.整个生长期的平均气温(°C)和累积降水量(mm)。b。实验处理图:2020.5.16地面标准(GS1)， 2020.5.16地面标准(GS2)， 2020.5.21地面标准(GS3)， 2020.5.21随机抽样(random sampling，RS)。c.现场试验概况。d.麦穗与地面标准的图像。

图2 基于迁移学习的处理流程图。将小麦穗子图像分为5类;对4个不同的数据集进行了综合特征训练和迁移学习;构建了小麦穗目标检测器，实现了小麦穗识别。

图3 基于智能手机的图像识别与计数方法流程图。在图像边缘用一块10厘米× 10厘米的黑色木板作为地面标准，在图像中心裁剪0.5 m × 0.5 m的区域作为计算小麦穗密度的目标。经过图像聚类分割和特征提取，生成不同大小的子图像，并缩放到128 × 128的大小;然后，利用迁移学习模型对小麦穗进行识别。

图4 迁移学习对不同基因型小麦穗密度估计结果的影响。a. 没有迁移学习的识别结果。b.  Ear-breeding数据集迁移学习后的识别结果。c. 先对(Ear-classer + Ear-random)数据集进行迁移学习，再对Ear-breeding数据集进行迁移学习后的识别结果。d. 在Ear-classer + Ear-random数据集上进行10,000 epoch的模型训练后，对Ear-breeding数据集应用迁移学习后的识别结果。

图5 形态闭合操作参数对小麦穗部轮廓提取结果的影响。a. 5 × 5形态闭合操作核。b. 7 × 7形态闭合操作核。c. 9 × 9形态闭合运算核。

图6 MAIR算法对识别结果的影响。a.不使用MAIR算法的识别结果。b. MAIR算法识别结果。

图7 模型从灌浆期到成熟期的识别效果。a.灌浆早期。b.灌浆中后期。c.成熟期