摘要：针对麦穗个体在图像中显著性不足导致的目标特征提取不充分及识别准确率低的问题，基于YOLO v8n提出一种改进YOLO v8-TRP的小麦麦穗识别方法。该方法在骨干网络前设计三注意力融合（Triple attention fusion，TAF）模块，通过结合多头自注意力(MHSA)、像素注意力(PA)和通道注意力(CA)，在保留麦穗细节信息不被破坏的前提下，充分提高了麦穗目标与其他复杂背景的对比度。并在骨干网络中引入感受野注意力卷积(RFAConv)和CBAM注意力机制改进卷积模块，使模型在提取特征时，能在感受野范围内为麦穗目标加权，有效提升了模型对麦穗目标的特征提取能力和查全率。同时在模型颈部和头部增加P2小目标层，提高模型的小目标检测能力和查准率。实验结果表明，在Global Wheat Head Detection2021(GWHD2021)公开数据集上，改进模型的平均精度均值达到92.5%，相较于原模型提高2.9个百分点。改进模型在公共数据集WEDD、Spike、RGWHD、ACID和自建数据集HBAUW(Hebei Agricultural University Wheat)上的平均精度均值较原模型平均提升4.6个百分点，充分说明该模型能够有效提升复杂背景下小麦麦穗的检测精度。
文章目录
0 引言
1 实验数据
1.1 2021全球小麦穗数据集(GWHD2021)
1.2 数据采集
1.3 数据集制作
2 模型改进
2.1 TAF模块
2.2 RFCBAMConv模块
2.3 P2小目标检测层
2.4 评价指标
3 实验结果与分析
3.1 可视化分析
3.2 不同模型识别结果分析
3.3 消融实验
3.4 不同生长时期对比结果分析
3.5 不同数据集对比结果分析
4 结束语
