深度学习新突破：精准计数水稻穗数，助力全生长周期智能育种

一种名为LKNet的深度学习模型在水稻穗粒计数任务中取得突破性进展，为精准农业提供了高效、高精度的解决方案。该模型由中科院农业科学研究院宋晨团队开发，发表于《Plant Phenomics》期刊，通过融合大核卷积模块（LKconv）与新型损失函数，显著提升了在不同生长阶段水稻冠层中穗粒的计数准确率。 传统水稻穗计数方法主要依赖检测、密度或位置识别，但各有局限：检测模型在密集冠层中易受遮挡影响，密度模型对背景干扰敏感，而基于位置的方法如P2PNet虽具可解释性，却受限于感受野范围和标注误差。针对这些挑战，LKNet在P2PNet基础上引入动态感受野自适应机制和更灵活的定位损失函数，有效应对穗粒重叠、结构变异及不同生长阶段形态差异等问题。 研究团队在无人机（UAV）影像和多个作物数据集上对LKNet进行了全面测试。在高密度人群数据集SHTech PartA上，LKNet的平均绝对误差（MAE）达48.6，均方根误差（RMSE）为77.9，优于P2PNet和基于检测的PSDNN_CHat模型；在PartB数据集上达到当前最优水平。在跨域水稻穗计数任务中，LKNet表现尤为突出，RMSE仅为1.76，决定系数R²高达0.965，优于在玉米雄穗等大目标上表现优异的模型。 在7米高度采集的水稻冠层数据中，LKNet对紧凑型、中间型和开放型穗均实现高精度计数，R²超过0.98。尽管在后期生长阶段因遮挡加剧和形态变化导致精度略有下降，整体仍保持稳定。消融实验表明，引入LKconv骨干网络使RMSE从2.821降至0.846，参数量减少近50%，显著提升效率与精度。其中，结合注意力机制的顺序大核模块表现最佳，R²达0.993。 热力图可视化显示，LKNet在复杂场景下具备更强的定位能力，关注区域更广，背景抑制效果更好。该研究证实，LKNet不仅在精度和效率上超越现有模型，还能有效适应田间环境的多样性和复杂性，为产量预测、育种表型分析等农业应用提供无需人工密集标注的自动化工具，推动无人机辅助农业监测迈向新阶段。