伴随着智能手机、无人机等低成本成像平台的普及，田间图像采集成为监控小麦特征的便捷选择。其中，麦穗识别不仅有助于自动测量小麦的多种性状，如抽穗群体、成熟期等，而且能够减少复杂的手工测量的工作量，实现快速检测。目前，在田间麦穗图像采集时，主要存在两个问题，一是观测环境中不同因素如光照条件、风力条件等会影响图像采集的质量。二是不同生长阶段麦穗外观存在不确定性，例如开花后期麦穗呈绿色，而成熟期呈黄色。本文的研究目的为利用动态颜色变换网络解决田间图像采集存在的问题并进一步提升麦穗检测算法的性能。本研究方法帮助作者团队在2021年全球麦穗识别挑战赛的最终比拼中获得亚军，平均域准确率达到0.695。

　　文章分析了麦穗图像的颜色通道信息对麦穗检测模型的影响。基准目标检测模型是改进版scaled-YOLOv4，训练数据集为2021年全球麦穗识别挑战赛数据集。设置了6组针对麦穗RGB图像的通道线性变换组合。通过将变换后的图像分别送入基准模型获得了不同测试准确率。结果表明，恰当的颜色信息有助于提升麦穗检测的准确率。但是由于不同区域的麦穗颜色差异显著且颜色信息易受光照条件影响，研究者决定将颜色变换融入可自主学习特征的深度学习目标检测算法中。在动态颜色变换网络中，RGB图像各通道的线性变换组合系数为可训练参数，变换后的特征图像无需其他处理即可被送入目标识别网络中，因此该动态颜色变换网络可以与任意已知的目标检测器相结合，模型的可拓展性较强。在麦穗检测性能比较时，加入动态颜色变换网络的scaled-YOLOv4超越了基准目标检测模型，达到了0.661的平均域准确率。

　　总结来讲，本文提出了一种简单而有效的基于田间麦穗图像数据的动态颜色自适应校正方法。通过与现有的目标检测器相结合，可在多种光照条件下表现出麦穗检测的鲁棒性，有效地提升了麦穗检测的准确率。

　　图1基于线性变换的麦穗RGB图像的目标识别效果图

　　图2 动态颜色变换目标识别模型框架图

  图3 目标检测结果图(红色框：动态颜色变换目标识别模型结果;蓝色框：基准目标识别模型结果)

　　来源：Liu C, Wang K, Lu H, et al. Dynamic Color Transform for Wheat Head Detection. Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 1278-1283.

　　编辑：张金诺