基于YOLOv5s的麦穗多尺度检测优化及边缘实时部署方法研究

摘要：本研究针对小麦麦穗与籽粒检测[1]中的多尺度特征提取、密集目标抑制及边缘设备部署效率等问题，提出基于YOLOv5s的优化模型[2]，通过数据驱动的锚框动态适配策略与跨阶段局部特征融合模块，提升多尺度目标检测[3]能力，针对密集麦穗簇场景，结合动态阈值调整机制提出方向敏感DIoU-NMS算法，高重叠区域的误检率降至9%。通过FP16量化与CUDA流并行化技术，模型体积压缩至14 MB，推理速度达22.2 FPS，单帧时延降至45 ms，模型在mAP@0.5（0.89）与实时性优于YOLOv8[4]，为田间精准监测提供高效解决方案。

关键词：小麦检测、YOLOv5s、多尺度锚框优化、DIoU-NMS

一、引言

1.1研究背景

小麦麦穗与籽粒检测是农业自动化监测的核心任务，然而麦穗长度为10-15 cm，籽粒粒径仅有2-3 mm，传统模型在同时提取大尺度目标和微小目标的特征时存在局限，且田间场景中密集分布的麦穗常受叶片遮挡、土壤背景及杂草干扰，模型误检率较高，现有模型难以满足≥20 FPS的边缘设备实时检测需求。

1.2国内外研究现状

农业目标检测领域的研究存在亟待解决的问题。两阶段检测模型通过多尺度特征融合在通用数据集上精度高，但因参数量大、计算复杂，难以部署于算力有限的边缘设备；单阶段模型实现速度与精度平衡，但默认锚框不适配小麦麦穗和籽粒尺度，影响定位精度。密集种植场景下，NMS算法处理重叠目标能力不足，导致漏检或误检。

二、相关理论与研究技术

2.1研究目标

本研究以YOLOv5s为框架设计小麦麦穗检测优化方案。通过数据驱动重聚类锚框尺寸，生成适配麦穗与籽粒尺度的定制锚框，提升定位精度。在特征融合阶段引入跨阶段局部连接，缓解微小目标特征丢失。针对密集重叠目标设计轻量化DIoU - NMS算法优化抑制策略，降低漏检率。用TensorRT引擎进行FP16量化与层融合部署，结合CUDA流并行技术处理，为农业自动化监测提供方案。

2.2主要研究内容

（1）多尺度目标锚框的动态适配

麦穗与籽粒尺度差异显著，传统锚框基于通用目标设计，难以匹配田间场景的特殊分布。需通过K-means++算法对标注数据聚类，生成适配细长麦穗与微小籽粒的定制化锚框组，优化宽高比及数量分配，解决初始框覆盖不足导致的定位精度下降问题。

（2）跨阶段特征融合中的细节保留

传统模型采样会丢失微小籽粒的细节特征，麦穗漏检率高。研究在YOLOv5s的Neck部分设计跨阶段局部连接模块，跳跃连接深层网络传递特征，利用1×1卷积对齐通道维度，避免特征融合时的维度冲突。

（3）密集重叠目标的鲁棒抑制

田间麦穗簇重叠率超30%，传统NMS算法依赖单一DIoU阈值，易误删方向一致的有效检测框。研究在交并比计算中引入麦穗长轴方向约束，动态调整抑制阈值，解决密集场景漏检与误检矛盾。

（4）边缘设备的高效部署适配

模型在边缘设备上推理效率不足，处理占用大量资源。研究通过TensorRT引擎对模型进行压缩参数量；同时设计异步流水线架构，将解码、NMS与可视化任务分配至独立CUDA流，实现降低单帧延迟。

三、设计的总体方案

3.1多尺度锚框动态适配策略

针对麦穗与籽粒尺度差异，用K-means++算法对标注数据集边界框聚类，生成9组定制化锚框，在 YOLOv5s 特征层分配锚框，浅层用<5×5 cm小锚框捕捉籽粒，深层用> 10×3 cm大锚框检测麦穗。引入宽高比敏感因子，量化长宽比偏差，降低麦穗定位误差。

3.2跨阶段局部特征增强架构

为防微小籽粒漏检，在Neck模块设跨层跳跃连接，将浅层高分辨率特征图注入深层特征金字塔。用1×1卷积核对齐通道维度，逐元素相加融合特征。融合层后加轻量化SE注意力模块，强化关键特征，抑制背景噪声。

3.3密集目标抑制优化算法

针对麦穗簇高重叠误抑制问题，提出改进型方向敏感DIoU-NMS算法，交并比计算融入方向约束项，提升细长目标区分度。建立动态阈值机制，自适应调整抑制阈值。

3.4边缘计算加速部署方案

为在边缘设备实现≥20 FPS实时检测，构建TensorRT部署优化体系。用FP16混合精度量化压缩模型体积，用TensorRT层融合减少GPU开销，用CUDA流并行技术分配任务。

四、模型性能对比与分析

4.1 实验结果数据分析

（1）多尺度目标检测精度提升

PR曲线显示，模型在召回率达0.92时保持0.88的精确率，在置信度阈值0.5时F1值达0.90，有效缓解了麦穗与籽粒的尺度差异问题。对比显示，模型对籽粒漏检率低于5%，结合P曲线，模型在籽粒检测中的AP@0.5提升至0.78，验证了浅层高分辨率特征保留策略的有效性。

（2）改进NMS算法的性能验证

优化后的方向敏感DIoU-NMS将误检率降至9%。R曲线显示，模型在高密度场景中召回率保持0.85，混淆矩阵中误分类比例仅为3.2%，方向约束与动态阈值机制显著降低了密集遮挡导致的误检。

（3）边缘部署效率优势

通过TensorRT量化与CUDA流优化，模型的单帧推理时延为45 ms，满足≥20 FPS的田间需求。对比YOLOv5s速度提升52%，模型体积压缩至14 MB，适配边缘设备存储限制。

4.2对比分析

以Faster R-CNN、YOLOv5s及YOLOv8为对比基准，关键性能指标如下表：

五、总结

本研究针对小麦麦穗与籽粒检测难题，基于YOLOv5s架构提出优化模型。数据驱动锚框适配与方向敏感 DIoU-NMS 算法，mAP@0.5达0.89，较YOLOv8提升4.7%。跨阶段特征融合模块强化籽粒检测能力，AP@0.5提升至0.78，较基线提升25.8%。经TensorRT量化与CUDA流优化，模型体积压缩至14 MB，推理速度22.2 FPS。在高重叠场景误检率较Faster R-CNN降低59%，为小麦生长监测提供高效技术支撑。

参考文献

[1] 耿晶，李海康，崔清亮，等.基于深度学习的农田小麦麦穗检测研究[J].南方农机，2025，56（07）：4-7.

[2] 王宇.基于改进yolov5s模型的小麦田间杂草检测研究[D].安徽农业大学，2022.DOI：10.26919/d.cnki.gannu.2022.000064.

[3] 惠康华，杨卫，刘浩翰，等.基于YOLOv5的增强多尺度目标检测方法 [J].兵工学报， 2023， 44 （09）： 2600-2610.

[4] 侯依廷，饶元，宋贺，等.复杂大田场景下基于改进YOLOv8的小麦幼苗期叶片数快速检测方法[J].智慧农业（中英文）， 2024， 6 （04）： 128-137.

作者简介：郑宗凯（2004），性别：男，民族：汉族，籍贯：广东汕尾，单位全称：佛山大学 广东 佛山 南海区 528200，佛山大学本科生，研究方向：视觉检测模型