神经网络在智能农业麦穗检测和计数中的应用具有重要价值，展示了人工智能技术如何为农业部门带来创新和改进。然而，由于麦穗的高密度、多样性和复杂的生长周期，以及检测过程中复杂背景的影响，可能会出现假阳性、假阴性和低检测率等问题。针对这些挑战，本文提出了一种基于FasterCANet-YOLOv8s算法的麦穗检测解决方案。首先，引入FasterCANet块来提高小麦检测的速度。其次，提出了一种有效的网络结构，即QAFPN模型，以加强Neck网络，实现小麦检测速度和准确性之间的平衡。最后，为了更好地捕捉小目标的特征，引入了RFB块来改进SPPF层。改进后的算法实现了mAP@0.594.4%，超过现有技术。我们的模型能够准确、快速地定位目标，在小麦种植领域具有巨大的潜力，为农业生产提供高效、精确的支持。

图1  （从左至右）四个阶段的示例图：开花后、灌溉、灌溉成熟和成熟。

图2  部分校正的数据集的图像。

图3  YOLOv8s的网络结构。

图4  YOLOv8s的改进模型。

图5  协调注意力机制。

图6  FasterNet块和FasterCANet块。

图7  QAFPN的网络结构

图8  RFB的网络结构。

图9 不同模型的FLOPs和mAP结果的散点图。

图10 不同YOLO模型的PR曲线。

图11 不同算法检测效果的比较。

图12 改进模型的不同算法的PR曲线（A、B和C相应地指示将FasterCANet块、QAFPN块和RFB块引入YOLOv8s模型）。

图13 一种改进的农作物麦穗目标检测模型的测试结果。

图14 原始模型和改进模型热图的比较结果。