近日，水利与土木工程学院齐龙研究员团队在Artificial Intelligence in Agriculture（中科院一区Top期刊，影响因子12.4）期刊上发表了题为“Dual attention guided context-aware feature learning for residual unfilled grains detection on threshed rice panicles”的研究成果。
结实率是水稻考种中的重要指标，而脱粒后稻穗残留空粒的精准检测是实现其智能测定的关键环节。由于残留空粒目标尺寸小，且常受枝梗遮挡、相邻目标黏连等因素影响，传统人工检测方法效率较低、主观性较强，现有视觉检测方法也面临漏检、误检和复杂场景适应性不足等问题。
为此，团队提出了基于对偶注意力机制的残留空粒检测方法。该方法构建了“通道—全局”“空间—局部”协同建模的注意力模块，在增强全局特征关联建模的同时保留局部空间上下文信息，提升了模型对残留空粒特征的表征能力；同时结合 Focaler-SIoU 损失函数与小目标预测头优化策略，增强了模型对遮挡和相邻目标黏连等复杂情况的检测效果。以华航57号、香禾优细丝苗两个水稻品种为试验对象，实验结果表明，该方法对脱粒后稻穗残留空粒的检测精度大于95%，检测速度为 154 FPS，具有较好的检测精度与实时性，可为高通量水稻考种提供新的技术支撑。
工程学院博士生周宇浩为第一作者，齐龙研究员和马锐军副教授为通讯作者。相关研究获得了“广东特支计划省农业农村厅（农业与农村振兴人才）项目”（项目编号：NYLJ2024004）、“国家水稻产业技术体系田间管理机械化岗位科学家”（项目编号：CARS-01）的资助。
相关论文链接：https://www.sciencedirect.com/science/article/pii/S2589721725001035
文图/水利与土木工程学院
