分享華中農(nóng)業(yè)大學等單位黃成龍、石宇璇、王子瑞、蘇其賀與楊萬能團隊在《農(nóng)業(yè)工程學報》2025年第41卷第11期刊載的的論文——“基于光流法預處理和StrongSORT的水稻稻穗追蹤計數(shù)及穗長提取”。該研究由國家自然科學基金項目（項目號：32270431）等資助。
 

研究目的與方法
為改進傳統(tǒng)人工水稻產(chǎn)量檢測方法存在接觸損傷、主觀低效和重復性差等問題，該研究提出了一種基于光流法預處理和StrongSORT的水稻稻穗追蹤計數(shù)及穗長提取方法。首先，設(shè)計試驗獲取水稻旋轉(zhuǎn)視頻數(shù)據(jù)集，其次，利用Gunnar Farneback光流算法對視頻進行預處理以減小遮擋影響，利用卷積模塊注意力機制改進YOLOv8-seg網(wǎng)絡(luò)并對稻穗進行目標檢測與分割；最后，基于StrongSORT算法實現(xiàn)稻穗多目標追蹤計數(shù)，建立運動先驗模型增加稻穗目標追蹤的匹配次數(shù)，改善ID (identity document) 跳變問題，同時通過Zhang-Suen骨架提取算法獲取稻穗長度。
 
結(jié)論
由于傳統(tǒng)人工水稻產(chǎn)量檢測方法中的接觸損傷、主觀低效和重復性差等問題，本研究提出了基于光流法預處理和StrongSORT的水稻稻穗追蹤計數(shù)及穗長提取方 法，主要結(jié)論如下：
 
1）使用光流法對數(shù)據(jù)集進行預處理、使用卷積模塊注意力機制（convolutional block attention module，CBAM） 改進YOLOv8-seg網(wǎng)絡(luò)。結(jié)果表明，改進的YOLOv8-seg模型平均精度均值（mean average precision, mAP@50）為81.1%，相比原始YOLOv8-seg模型提高了8.7個百分點；經(jīng)過光流法預處理后的模型mAP@50為95.0%，相較于未進行光流法預處理的模型提高了13.9個百分點， 有效減少了重疊稻穗間的干擾，提升了稻穗檢測精度。
 
2）將光流算法與StrongSORT追蹤模型結(jié)合，通過運動先驗模型改進網(wǎng)絡(luò)，有效解決了稻穗追蹤計數(shù)過程中ID跳變等問題。優(yōu)化后稻穗多目標追蹤的準確度提升，其中MOTA(multi-object tracking accuracy)為85.58%， 提升了11.83個百分點，HOTA（higher order tracking  accuracy）為64.06%，提升了9.53個百分點，ID跳變由 891降低至275，降低了69.2%。
 
3）通過光流法運動特性分析，可篩選出平行于相機平面的最佳稻穗位置；將光流法預處理的StrongSORT 模型與Zhang-Suen骨架提取算法相結(jié)合，實現(xiàn)穗長自動化無損測量。將系統(tǒng)測量值與人工測量值進行回歸分析，得到線性回歸模型的決定系數(shù)R2為0.940 8，平均絕對 百分比誤差MAPE為4.07%，表明該方法在原位稻穗的長度測量中具有較高的精度和可靠性。