小麦产量受单位面积穗数的影响，传统上采用人工计数来估计小麦产量。为了实现快速、准确的小麦穗计数，本文采用K均值聚类对手持设备采集的小麦穗图像进行自动分割。通过建立非小麦穗、1个小麦穗、2个小麦穗和3个小麦穗四类图像标签，构建分割后的数据集，并将其送入卷积神经网络（CNN）模型进行训练和测试，以降低模型的复杂度。

麦穗图像处理流程图 

结果显示对非小麦、1个小麦穗、2个小麦穗和3个小麦穗的识别准确率分别为99.8、97.5、98.07和98.5%。模型R²达到0.96，均方根误差（RMSE）为10.84穗，宏观F1评分和微观F1评分均达到98.47%，在灌浆后期（R²= 0.99，RMSE =9.47穗）达到最佳性能。

小麦穗部轮廓特征提取图

综上所述，与目标识别相比，分割图像分类不仅能够减少人工标注的工作量，而且能够显著提高小麦计数的效率和准确率，满足了田间环境下小麦估产的要求。

用该模型识别的小麦穗与图像中相应的人工识别值的比较

来源：

Xu X, Li H, Yin F, et al. Wheat ear counting using K-means clustering segmentation and convolutional neural network. Plant Methods. https://doi.org/10.1186/s13007-020-00648-8.