RICE-YOLO：基于改进YOLOv5的无人机稻穗检测新方法
【导读】
随着智慧农业的发展，如何快速、准确地识别稻穗成为了粮食生产智能化管理的关键任务之一。传统的人工调查方法效率低、成本高，无法满足大规模农业作业的实时需求。本文介绍了一种专为无人机图像优化设计的稻穗检测模型——RICE-YOLO，该模型基于YOLOv5框架，在结构上做出三大改进，有效提升了小目标检测能力、边缘目标定位精度和模型整体性能。>>更多资讯可加入CV技术群获取了解哦
目录
一、背景挑战
二、模型结构与设计细节
C3-EMA 模块
微尺度检测层
SIoU损失函数
三、实验验证与效果评估
整体性能表现
不同生育期下效果对比
与主流模型的横向比较
多场景实拍效果验证
结语
RICE-YOLO不仅仅是对YOLOv5的简单改进，而是结合田间稻穗检测的三大挑战——目标尺度小、遮挡密集、图像边缘扭曲，分别从三个方向提出创新设计：
-
结构性关注稻穗特征，强化边缘感知
通过引入EMA注意力机制，对稻穗在图像中突出的边缘和细节区域进行增强，弥补传统卷积网络在空间局部信息建模上的不足。
-
重新设计检测层，强化对小目标的感知能力
模型重构Neck部分，增加一个用于小目标检测的微尺度分支（P2），并删除用于检测大目标的深层检测头（P5），更符合稻穗在图像中的实际尺寸分布。
-
提出匹配无人机场景的边界框回归方法
改进损失函数，引入SIoU（Scylla IoU），将稻穗在图像边缘的倾斜、偏移纳入回归惩罚项，有效提升对扭曲目标的定位精度。
一、背景挑战
中国是世界上最大的大米生产国与消费国，稻谷产量稳居全球首位。随着我国农业机械化和信息化的推进，“无人机+AI”成为数字农业的重要方向。在稻作区，无人机不仅承担播种、喷药、测绘任务，也逐步成为获取高精度作物图像的关键工具。
然而，在实际田间应用中，面临三大挑战：
-
海量图像数据需要自动化处理，人工标注效率低；
-
俯拍角度导致稻穗目标比例缩小，识别难度显著上升；
-
不同光照、密度、生育期造成检测误差波动大。
因此，开发一套适配无人机图像的、高精度稻穗检测方法，不仅是科研前沿问题，更是粮食安全和管理智能化的现实需求。
二、模型结构与设计细节
RICE-YOLO是在YOLOv5m版本的基础上，融合了多个结构优化点构建而成。主要包括以下三个模块级改进：
-
C3-EMA 模块
YOLOv5原始的C3模块使用标准CSP结构对特征通道进行融合，但对稻穗这种边缘突出的物体特征提取能力有限。
作者将EMA（Efficient Multiscale Attention）机制与C3融合，形成C3-EMA模块，具体做法如下：
将特征图按通道划分为多个组；
-
分别沿H（高度）和W（宽度）方向执行1D全局池化；
-
使用Group Normalization增强局部区域关注；
-
最终通过Sigmoid激活生成注意力图，乘以原特征，突出关键区域。
实验显示：仅在Backbone第一个C3中加入EMA模块即可提升mAP@0.5达1.4%（见表3）。
-
微尺度检测层
为了适应稻穗小目标的分布特性，作者对Neck结构进行了重新配置：
-
将Backbone中浅层C3输出引入Neck，构建一个新的小目标检测层P2；
-
同时，删除了原YOLOv5用于大目标检测的深层检测头P5；
-
这样既提升了小目标检测精度，也降低了网络的总体参数量和计算量。
调整后的网络在保持精度提升的同时，模型参数从原来的20.85M下降到16.03M，非常适合部署在边缘端设备上。
-
SIoU损失函数
SIoU是一种结合方向角、中心偏移和形状差异的边界框回归损失。相比传统IoU类损失，SIoU更适合稻穗这类“扭曲边界”目标，特别是在图像边缘区域：
-
通过角度惩罚项解决“目标框倾斜方向不一致”问题；
-
引入中心距离和形状偏差加权项；
-
综合提升了检测框的几何对齐程度。
该模块使得模型在复杂环境下定位准确度进一步增强，召回率提高显著。
如果你对AI项目有长期规划，或正处于多项目并行的开发周期中，Coovally全新推出的「RaaS服务年卡」，将为你撬动百万级项目交付能力，提供全栈AI技术支持。
无论是图像识别、视频分析，还是多模态任务（如红外+可见光融合），年卡服务都可为你提供一站式技术解决方案：
💡 我们的承诺：若一年内您无AI项目开发需求，退还50%年费，助你“零风险”布局AI赛道！
无论你是AI初创企业、科研团队，还是政府/高校项目负责人，RaaS年卡都将成为你降本增效、加快交付的核心动力！
👉 添加客服微信，了解年卡详情与签约流程，快速开启AI开发之旅。（点击了解更多 RaaS 服务详情）
添加微信
三、实验验证与效果评估
-
整体性能表现
结合三个模块的完整模型RICE-YOLO，相较于原YOLOv5m，实现了mAP@0.5提高2.1%、Recall提高3.2%、参数减少近25%。这是在保持轻量级特性的同时实现精度突破的重要进展。
-
不同生育期下效果对比
在抽穗期和灌浆期两个阶段，RICE-YOLO均优于YOLOv5m，尤其是在灌浆期复杂遮挡条件下依然保持较高召回率。
-
与主流模型的横向比较
与YOLOv7、YOLOv8、Faster RCNN、Cascade RCNN等模型相比，RICE-YOLO在精度和模型复杂度之间取得更优平衡，适合部署在实时无人机平台。
-
多场景实拍效果验证
论文中图12与图13展示了RICE-YOLO在不同场景下的表现：
-
小目标密集（图12a、b）
-
遮挡与排列紧密（图12c、d）
-
光照复杂、阴影干扰、水面反光（图13a–f）
相比其他模型，RICE-YOLO能准确排除背景干扰、有效减少重复检与误检。
结语
RICE-YOLO不仅在学术层面提出了针对稻穗目标的新型检测结构，也为农业无人机视觉系统提供了轻量化、高精度的解决方案。其三大改进思路（注意力增强、检测层重构、回归优化）也具有很强的迁移性，未来可应用于更多农业视觉任务。
下一步，我们将继续关注其在其他作物上的迁移能力、与三维时序模型的结合潜力，并探索其与AI平台（如Coovally）结合实现一键化模型部署的实践路径。
