基于YOLOv5s改进的轻量化稻谷密集粘连检测模型及其在安卓端的精准计数应用

为解决高密度粘连稻谷精准计数难题，研究团队基于YOLOv5s构建轻量化检测模型，通过引入全维度动态卷积(ODConv)、混合局部通道注意力(MLCA)机制和SIoU损失函数，实现模型参数量降低70.8%、mAP0.5:0.95提升7.21%，最终开发出平均误差率仅0.234%的安卓端应用，为水稻育种和千粒重测定提供高效解决方案。

　　

稻谷计数难题与智能检测的突破
在水稻育种和产量预测中，千粒重测定是核心环节，而精准计数高密度粘连稻谷一直是农业检测领域的痛点。传统电子计数设备成本高昂，人工计数效率低下且误差大，现有图像处理方法在稻谷交叉、粘连和重叠情况下准确率骤降。尤其当局部区域稻谷超过20粒时，传统算法误判率可达3%以上，严重制约育种效率。

针对这一挑战，国内某研究团队在《Computers and Electronics in Agriculture》发表研究，提出基于YOLOv5s改进的轻量化检测模型。该研究通过四项创新：构建小目标专用轻量化架构、用ODConv模块增强特征提取、引入MLCA机制优化空间权重、采用SIoU损失函数加速收敛，最终开发出模型体积缩小64.16%、检测精度达98.81%的解决方案，并成功部署至安卓手机实现25.9毫秒级实时检测。

关键技术方法
研究使用四种粳稻和籼稻品种（南粳518、农垦58、华两优10号、创两优669）构建含568张图像（128,800粒样本）的数据集，通过翻转、锐化和噪声添加等数据增强生成5,330张训练图像。采用轻量化网络结构调整（删除大目标检测头、新增160×160小目标检测头）、ODConv模块替换传统卷积、MLCA机制融合局部空间信息，以及SIoU损失函数优化边界框回归。

核心研究发现

1. 轻量化架构优化：通过修剪深层特征图和大目标检测头，模型参数量降至2.05M，较原YOLOv5s减少70.8%，同时mAP_0.5:0.95提升6.99%至98.58%。
2. 动态特征提取：ODConv模块通过四维注意力加权（空间位置、输入/输出通道、卷积核），使FLOPS降低28.3%，在粳稻样本中实现100%检测准确率。
3. 注意力机制创新：MLCA机制将特征图分块处理，结合Conv1d加速局部通道注意力，在700粒样本检测中误差率仅0.71%，优于SE、CA等传统模块。
4. 损失函数改进：SIoU引入向量角度损失，较CIoU收敛速度提升20%，在绿色光源下粳稻检测效果最优（误差率0%）。

应用验证
部署至华为Mate 60 Pro等安卓设备后，软件在12cm拍摄高度下对500粒粳稻的检测准确率达100%，700粒时误差<1.5%。研究同时发现，绿色光源可显著提升籼稻检测效果，而黑色背景会因高对比度导致特征混淆。

结论与展望
该研究首次实现轻量化模型（4.91MB）与高精度检测（mAP_0.5:0.95=98.81%）的协同优化，其安卓应用将千粒重检测耗时从传统方法的数分钟缩短至毫秒级。未来可通过增加多尺度数据集和振动分散装置，进一步提升模型在复杂背景下的鲁棒性。这项工作不仅为水稻育种提供高效工具，也为小麦、玉米等颗粒作物检测提供了可迁移的技术范式。