小麦是全球最重要的粮食作物之一，其产量直接影响到全球粮食安全。小麦穗的准确检测和计数对监测小麦生长、预测产量和田间管理至关重要。然而，目前的方法面临着诸如穗大小变化、遮荫、杂草干扰和密集分布等挑战。传统的机器学习方法已经部分解决了这些挑战，但它们受到检测精度有限、特征提取复杂性和复杂现场条件下鲁棒性差的限制。在本文中，提出了一种改进的YOLOv10算法，显著增强了模型的特征提取和检测能力。这是通过引入双向特征金字塔网络(BiFPN)、分离和增强注意力模块(SEAM)和全局上下文网络(GCNet)来实现的。BiFPN采用自顶向下和自底向上两种双向路径实现多尺度特征融合，提高了对不同尺度目标的检测性能。SEAM通过分别增强通道和空间特征的注意机制，提高了复杂环境下的特征表示质量和模型性能。GCNet通过全局上下文块捕获图像中的远程依赖关系，使模型能够更准确地处理复杂信息。实验结果表明，该方法的小麦穗检测精度为93.69%，召回率为91.70%，mAP为95.10%，比YOLOv10模型的精度、召回率和mAP分别提高2.02%、2.92%和1.56%。检测小麦穗数与人工计数小麦穗数的决定系数(R2)为0.96，平均绝对误差(MAE)为3.57，均方根误差(RMSE)为4.09，相关性强，精度高。改进后的YOLOv10算法有效解决了复杂田间条件下小麦穗检测难题，为农业生产科研提供有力支持。

图1  全球小麦穗检测(GWHD)数据集中的一些示例图像。

图2  数据增强：(a)原始图像，(b)翻转，(c)旋转，(d)亮度降低，(e)添加噪声，(f)亮度增加，(g)切出，(h)拼接。

图3  分离式和增强式注意力模块的结构。

图4  改进后的YOLOv10模型的整体网络结构。

图5  小麦检测穗数与实际穗数的拟合结果。(a) SSD拟合结果。(b)更快的R-CNN拟合结果。(c) YOLOv8拟合结果。(d) YOLOv9拟合结果。(e) YOLOv10拟合结果。(f)改进的YOLOv10拟合结果。