孙 俊，杨锴锋，罗元秋，沈继锋，武小红，钱 磊

（江苏大学电气信息工程学院，镇江 212000）

0 引 言

小麦是世界上播种面积最大、产量最多、分布最广的粮食作物[1]，2021 年世界小麦使用量达到7.54 亿t[2]。然而，受人口增长、需求增加和气候变化等因素的影响，相关部门需要准确决策以确保小麦作物的可持续生产[3]。小麦的生产对中国以及世界各地的作物生产[4]、粮食价格[5]和粮食安全[6-7]等产生了重大影响，因此，快速、准确产量估计对于小麦管理、贸易和政府决策至关重要。

小麦产量预估主要由单位面积穗数、单穗粒数和千粒质量3 个参数决定[8]，传统产量预估主要通过农业部门根据经验进行目测估产或者随机选取大田区域进行人工采样、计数、称质量统计来完成[9]，前者准确率低，易受个人经验影响，后者则工作量巨大，费时费力。

当前，随着传感器与计算机技术的发展[10]，对农作物成熟前进行估产的方法层出不穷。针对超大面积农田估产，相关研究主要通过宏观数据，例如气候变化[11-12]、空气中氮氧含量[13]、卫星遥感叶面积指数等进行估产[14-15]。Cao 等[16]比较了传统的机器学习方法和深度学习模型，通过整合谷歌地球引擎平台内的气候、卫星、土壤特性和空间信息数据对小麦进行产量预估，建立模型的决定系数R2达到了0.90。宏观数据虽然可以快速对大范围农作物进行估产，但数据的收集、变化都极易受外界因素影响，产量预估准确率不能保证。近年来，随着视觉技术的发展，通过近景图像进行目标计数的方法层出不穷。……