分享華中農(nóng)業(yè)大學(xué)等單位黃成龍、石宇璇、王子瑞、蘇其賀與楊萬能團(tuán)隊(duì)在《農(nóng)業(yè)工程學(xué)報(bào)》2025年第41卷第11期刊載的的論文——“基于光流法預(yù)處理和StrongSORT的水稻稻穗追蹤計(jì)數(shù)及穗長(zhǎng)提取”。該研究由國(guó)家自然科學(xué)基金項(xiàng)目（項(xiàng)目號(hào)：32270431）等資助。
 

研究目的與方法
為改進(jìn)傳統(tǒng)人工水稻產(chǎn)量檢測(cè)方法存在接觸損傷、主觀低效和重復(fù)性差等問題，該研究提出了一種基于光流法預(yù)處理和StrongSORT的水稻稻穗追蹤計(jì)數(shù)及穗長(zhǎng)提取方法。首先，設(shè)計(jì)試驗(yàn)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(duì)視頻進(jìn)行預(yù)處理以減小遮擋影響，利用卷積模塊注意力機(jī)制改進(jìn)YOLOv8-seg網(wǎng)絡(luò)并對(duì)稻穗進(jìn)行目標(biāo)檢測(cè)與分割；最后，基于StrongSORT算法實(shí)現(xiàn)稻穗多目標(biāo)追蹤計(jì)數(shù)，建立運(yùn)動(dòng)先驗(yàn)?zāi)Ｐ驮黾拥舅肽繕?biāo)追蹤的匹配次數(shù)，改善ID (identity document) 跳變問題，同時(shí)通過Zhang-Suen骨架提取算法獲取稻穗長(zhǎng)度。
 
結(jié)論
由于傳統(tǒng)人工水稻產(chǎn)量檢測(cè)方法中的接觸損傷、主觀低效和重復(fù)性差等問題，本研究提出了基于光流法預(yù)處理和StrongSORT的水稻稻穗追蹤計(jì)數(shù)及穗長(zhǎng)提取方 法，主要結(jié)論如下：
 
1）使用光流法對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理、使用卷積模塊注意力機(jī)制（convolutional block attention module，CBAM） 改進(jìn)YOLOv8-seg網(wǎng)絡(luò)。結(jié)果表明，改進(jìn)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(gè)百分點(diǎn)；經(jīng)過光流法預(yù)處理后的模型mAP@50為95.0%，相較于未進(jìn)行光流法預(yù)處理的模型提高了13.9個(gè)百分點(diǎn)， 有效減少了重疊稻穗間的干擾，提升了稻穗檢測(cè)精度。
 
2）將光流算法與StrongSORT追蹤模型結(jié)合，通過運(yùn)動(dòng)先驗(yàn)?zāi)Ｐ透倪M(jìn)網(wǎng)絡(luò)，有效解決了稻穗追蹤計(jì)數(shù)過程中ID跳變等問題。優(yōu)化后稻穗多目標(biāo)追蹤的準(zhǔn)確度提升，其中MOTA(multi-object tracking accuracy)為85.58%， 提升了11.83個(gè)百分點(diǎn)，HOTA（higher order tracking  accuracy）為64.06%，提升了9.53個(gè)百分點(diǎn)，ID跳變由 891降低至275，降低了69.2%。
 
3）通過光流法運(yùn)動(dòng)特性分析，可篩選出平行于相機(jī)平面的最佳稻穗位置；將光流法預(yù)處理的StrongSORT 模型與Zhang-Suen骨架提取算法相結(jié)合，實(shí)現(xiàn)穗長(zhǎng)自動(dòng)化無損測(cè)量。將系統(tǒng)測(cè)量值與人工測(cè)量值進(jìn)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(duì) 百分比誤差MAPE為4.07%，表明該方法在原位稻穗的長(zhǎng)度測(cè)量中具有較高的精度和可靠性。