分享华中农业大学等单位黄成龙、石宇璇、王子瑞、苏其贺与杨万能团队在《农业工程学报》2025年第41卷第11期刊载的的论文——“基于光流法预处理和StrongSORT的水稻稻穗追踪计数及穗长提取”。该研究由国家自然科学基金项目（项目号：32270431）等资助。
 

研究目的与方法
为改进传统人工水稻产量检测方法存在接触损伤、主观低效和重复性差等问题，该研究提出了一种基于光流法预处理和StrongSORT的水稻稻穗追踪计数及穗长提取方法。首先，设计试验获取水稻旋转视频数据集，其次，利用Gunnar Farneback光流算法对视频进行预处理以减小遮挡影响，利用卷积模块注意力机制改进YOLOv8-seg网络并对稻穗进行目标检测与分割；最后，基于StrongSORT算法实现稻穗多目标追踪计数，建立运动先验模型增加稻穗目标追踪的匹配次数，改善ID (identity document) 跳变问题，同时通过Zhang-Suen骨架提取算法获取稻穗长度。
 
结论
由于传统人工水稻产量检测方法中的接触损伤、主观低效和重复性差等问题，本研究提出了基于光流法预处理和StrongSORT的水稻稻穗追踪计数及穗长提取方 法，主要结论如下：
 
1）使用光流法对数据集进行预处理、使用卷积模块注意力机制（convolutional block attention module，CBAM） 改进YOLOv8-seg网络。结果表明，改进的YOLOv8-seg模型平均精度均值（mean average precision, mAP@50）为81.1%，相比原始YOLOv8-seg模型提高了8.7个百分点；经过光流法预处理后的模型mAP@50为95.0%，相较于未进行光流法预处理的模型提高了13.9个百分点， 有效减少了重叠稻穗间的干扰，提升了稻穗检测精度。
 
2）将光流算法与StrongSORT追踪模型结合，通过运动先验模型改进网络，有效解决了稻穗追踪计数过程中ID跳变等问题。优化后稻穗多目标追踪的准确度提升，其中MOTA(multi-object tracking accuracy)为85.58%， 提升了11.83个百分点，HOTA（higher order tracking  accuracy）为64.06%，提升了9.53个百分点，ID跳变由 891降低至275，降低了69.2%。
 
3）通过光流法运动特性分析，可筛选出平行于相机平面的最佳稻穗位置；将光流法预处理的StrongSORT 模型与Zhang-Suen骨架提取算法相结合，实现穗长自动化无损测量。将系统测量值与人工测量值进行回归分析，得到线性回归模型的决定系数R2为0.940 8，平均绝对 百分比误差MAPE为4.07%，表明该方法在原位稻穗的长度测量中具有较高的精度和可靠性。