小麦是我国重要的粮食作物之一,掌握冬小麦穗数是育种及农业生产中的重要农艺指标,随着深度学习技术的快速发展以及硬件算力的快速提升,深度学习中的神经网络技术被广泛应用于农业生产中,小麦麦穗计数方法也由人工计数逐渐发展为机器视觉计数,如遥感估产模型、作物生长模型、卷积神经网络模型等,卷积神经网络中的YOLO系列、RCNN系列、SSD系列等深度学习模型一直是小麦麦穗检测与计数方法的主要研究方向,YOLOv5作为最新的神经网络模型,基于该模型建立小麦麦穗计数系统的研究目前较少。同时JAVA语言与Python语言受限于难以实现跨平台交互,且卷积神经网络模型体积较大、运算较慢,因此基于Android的神经网络模型APP开发尚不成熟。但是YOLOv5具有高效和轻量化的优点,在模型快速部署上具有优势,且运算效率极高,所以在快速计数与跨平台交互等方面具有重要的研究价值,APP的便携性更能发挥YOLOv5高效的特性,为用户实时检测小麦穗数提供便利。综上,本研究将利用YOLOv5的优势,建立基于YOLOv5的小麦麦穗计数模型,并开发基于Android系统的小麦麦穗计数软件。本研究以冬小麦长6878、长4738作为试验品种,在其抽穗期之后每隔14天拍摄小麦冠层照片,共获取有效照片2122张,结合2021全球小麦数据集公开的6515张照片建立数据集,并对数据集进行标注。将数据集划分80%作为训练集,20%作为测试集对模型进行预训练,基于YOLO5的小麦麦穗检测系统,随后再进行模型参数调整和优化。同时在Android端开发APP,开发Android端的小麦麦穗计数软件,以实现在移动端调用摄像头拍摄照片,实现便携、迅速的检测小麦麦穗数。主要结果如下:（1）经优化后的YOLOv5小麦麦穗检测模型对小麦冠层图像的麦穗计数识别精确率达到了92.4%,召回率达到了86.3%,m AP值达到了92.2%,模型整体识别精度较高,可满足对单位面积进行小麦麦穗计数的需求。（2）在主干网络种添加Coordinate Attention机制,相对于传统attention机制,Top-1 Accuracy的精确率提升了2.6%,m AP提升了1.4%,效果较为优秀。（3）将Pytorch建立的YOLOv5模型转换为ONNX格式,并利用MNN推理引擎将该模型部署到Android平台,使用JAVA的JNI接口调用C++对MNN进行推理,实现了将YOLOv5模型向Android平台的移植,APP端对小麦冠层照片的检测效果与Pytorch平台一致。