小麦穗的检测和计数在植物科学领域具有重要意义，可用于作物田间管理、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，已经提出了许多创新方法和新技术，在麦穗识别的准确性和鲁棒性方面取得了重大进展。然而，这些方法往往创建在高性能计算设备上，缺乏实用性。在资源有限的情况下，这些方法可能无法有效应用和部署，从而无法满足实际应用的需要。

在我们最近对玉米雄穗的研究中，我们提出了TasselLFANet，这是用于检测玉米雄穗的最先进的神经网络。在这项工作的基础上，我们现在开发了一种称为 WheatLFANet 的超实时轻量级神经网络，用于小麦穗检测。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，同时保持高精度和实用性。根据对全球小麦穗检测数据集的评估报告，WheatLFANet 优于其他最先进的方法，平均精度 AP 为 0.900，预测值和测量值之间的 R2 值为 0.949。此外，它的运行速度比所有其他方法快一个数量级。

大量实验表明，WheatLFANet 比其他最先进的方法表现出更好的泛化能力，在保持精度的同时实现了一个数量级的速度提升。这项研究的成功证明了在低端设备上实现实时、轻量级检测麦穗的可行性，也表明了简单而强大的神经网络设计的实用性。

图1 GWHD_2021样本数据集

图2 GWHD_2021数据集实例分布

图3 WheatLFANet 超实时多维映射全局回归网络

图4 Mlt-MDA注意力模块示意图。包含两个连续的子块：通道块和空间块。

图5 不同方法预测结果的图示。GT 表示真实计数，PD 表示预测计数。红点是基于 GWHD_2021 数据集的人工标注。

图6 Grad-CAM▁可视化结果。▁Mlt-ECA▁和▁Mlt-MDA▁的可视化层是添加▁Mlt-ECA▁模块和▁Mlt-MDA▁模块后的层,而基线是未添加两个模块的层。

图7 模型的计数测试结果图。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点已经用红线标记。

图8 Area-F1-Confidence (AFC)曲线。

图9 WheatLFANet和TasselLFANet在不同分辨率下的速度进行了比较,WheatLFANet成为明显的赢家。