图1 实验地点和无人机的麦穗图像。(a)清晰的图像，(b)模糊的图像，(c)人工标注的图像。
图2 OSWSDet 的总体框架。红色标签是OSWSDet中提出的改进，包括 CSL（圆形平滑标签）、微尺度检测层、基于 CIoU（Complete Intersection over Union）和 RNMS（Rotation Non-Maximum Suppression）的优化定位损失。
图3 据增强：（a）原始图像，（b）旋转90°，（c）旋转180°，（d）旋转270°，（e）垂直翻转，（f）水平翻转，（g）和（h）亮度平衡。
图4 两个定向检测框的 WIoU 计算。左图显示了小麦穗的定向检测框，右边的6幅图像显示了两个重叠框之间重叠区域的形状。根据形状的不同，两个重叠框有6种不同类型的黄色相交图，可以用三角形的面积来计算WIoU：（a）相交图是三角形，（b）相交图是四边形，（c）相交图是五边形，（d）相交图是六边形，（e）相交图是七边形，（f）相交图是八边形。
图5 所提方法和其他最先进方法的小麦穗子检测的精确性和召回率曲线。
图6图像上标注的真实穗子数量与Faster RCNN、SSD、standard YOLOv5、standard YOLOv5with micro-sclae layer、standard YOLOv5with micro-sclae layer and CIoU以及OSWSDet估计的穗子数量的比较。
图7 角度等级的小麦穗数从0到179，具有100个以上小麦穗的类标有特定编号。
图8使用OSWSDet（a）和标准YOLOv5（b）的检测结果。红色边框代表检测结果。
图9使用CSL（a）和无CSL（b）角度分类的模型检测结果。红色边框表示检测结果。
图10 不同大小的穗子的数量分布。
图11在训练过程中，用微尺度检测层（a）、小尺度检测层（b）、中尺度检测层（c）和大尺度检测层（d）实现的正样本边界框和麦穗边界框。正样本边界框（浅蓝色）。小麦穗的边界框（粉红色）。
图12使用CIoU进行定位损失的模型的检测结果（a）和使用IoU进行定位损失的检测结果（b）。红色边框代表检测结果。
来源
Zhao J, Yan J, Xue T, et al. A deep learning method for oriented and small wheat spike detection (OSWSDet) in UAV images[J]. Computers and Electronics in Agriculture, 2022, 198: 107087.https://doi.org/10.1016/j.compag.2022.107087