郝王丽，尉培岩，韩 猛，张 丽，席瑞泽

（山西农业大学软件学院，山西 太谷 030801）

小麦（Triticum aestivumL.）作为中国第二大粮食作物，近1∕3 的人口以其为主粮。目前，小麦产量预测方法有：人工田间判断预测、电容量预测［1］、基于年景预测［2］、基于遥感图像预测［3］以及气候和供求关系分析预测［4］等方法。人工田间判断凭借经验，不仅准确率低且人力物力的消耗较大。电容量测产方法所需的成本较高且测量小麦密度不高效。遥感技术基于卫星拍摄的图片样本，由于拍摄距离远，只适合处理和分析面积大的田地，预测的准确度较低。而气候和供求关系分析预测及年景的预测方法只适合大范围的预测，其估计值较粗略，对于田间精细的产量估计和育种则不适用。

近年来，深度学习（Deep Learning）在许多领域取得了显著的成果［5］，如计算机视觉、自然语言处理、语音识别和语义分析等领域［6］。聚焦计算机视觉领域中的目标检测，Girshick 等［7］提出 R-CNN 目标检测模型，该模型受滑动窗口思路启发，采用基于区域的识别方案，检测性能较好，但R-CNN 算法复杂度高且耗时较长。研究者们提出了一系列基于候选框区域的改进方案，如 SPP-net［8］（聚焦解决剪裁方法可能出现问题，对不管是否经过剪裁的图像提取统一维度的特征）、Fast R-CNN［9］（聚焦解决候选框重复计算的问题）、Faster R-CNN［10］（使用RPN 替代选择性搜索），R-FCN［11］（在网络最后用卷积层代替全连接层）。另一条网络改进路线是基于回归的方法，包括YOLO［12］（候选框确定采用直接回归的方法）、SSD［13］（在分类和多尺度特征映射……