基于轻量化YOLO模型与多平台RGB图像的玉米幼苗计数与叶龄监测研究

为解决田间玉米幼苗计数与叶龄监测依赖人工、效率低且易出错的问题，研究人员提出YOLOv8n-LP和YOLOv11n-LP两种轻量化模型，通过引入DAttention机制、改进BiFPN及剪枝优化，在参数量减少73%的同时实现AP>0.96、rRMSE<7.54%的高精度检测，为轻量化农业智能监测设备开发提供关键技术支撑。

　　

玉米是全球种植最广泛的作物之一，其幼苗出苗率和叶片发育状况是早期生长的关键指标，直接影响后续产量表现。传统田间监测方法依赖人工目视检查，存在耗时费力、主观误差大等问题。近年来，基于深度学习的物体检测模型在作物幼苗计数中受到关注，但多数模型计算复杂度高、部署成本大，难以在田间实际应用。此外，针对田间环境下玉米叶龄监测的研究几乎空白。现有方法多基于传统机器学习，严重依赖图像质量和人工特征提取，在复杂环境条件下泛化能力有限。而深度学习模型虽能自动学习多层级特征，但模型参数量和计算量较大，难以在便携设备上实时运行。因此，开发轻量化、高精度、强鲁棒性的模型，实现玉米幼苗计数与叶龄的同步监测，对智慧农业和育种实践具有重要意义。

为此，中国农业科学院作物科学研究所的研究团队在《Artificial Intelligence in Agriculture》上发表论文，提出了两种轻量化模型——YOLOv8n-Light-Pruned（YOLOv8n-LP）和YOLOv11n-Light-Pruned（YOLOv11n-LP），用于基于近地（NG）和无人机（UAV）RGB图像的玉米幼苗计数与叶龄监测研究。

研究团队在河南新乡基地开展了多轮田间试验，于2022年和2023年播种不同品种、不同苗情组成和种植密度的玉米，并系统采集了1918张近地图像和744张无人机图像，构建了高质量标注数据集。图像预处理包括拼接、地理配准、地块裁剪和数据增强（CLAHE、直方图均衡化和光照调整）。所提出的轻量化模型基于YOLOv8n和YOLOv11n进行改进，在Backbone中引入DAttention（可变形注意力）机制增强细粒度特征提取，在Neck部分用Conv-BiFPN（双向特征金字塔网络）替代PAFPN以提升多尺度特征融合效率，在Head部分设计EfficientHead（高效检测头）减少计算开销，最后采用LAMP（层自适应幅度剪枝）技术大幅降低参数量。通过消融实验、不同模型对比和多场景鲁棒性验证，系统评估了模型性能。

研究结果显示，YOLOv8n-LP和YOLOv11n-LP在模型复杂度方面显著降低，参数量分别为0.8M和0.7M，模型大小仅1.8MB和1.7MB，较原YOLOv8n和YOLOv11n降低73%以上，推理速度在多种设备上提升最高达42.9%。在幼苗计数任务中，两模型在NG图像上达到AP=0.968/0.969，R2=0.91/0.94，rRMSE=6.73%/5.59%；在UAV图像上rRMSE=5.66%~5.85%，表现出色。模型在多种挑战场景下均保持强鲁棒性，包括不同叶龄（V2~V5阶段，rRMSE=4.07%~7.27%）、不同分辨率（1.87~4.47mm，rRMSE=3.06%~6.28%）、不同苗情组成（小苗比例0~60%，rRMSE=1.09%~9.29%）和不同种植密度（株距15.9~60.0cm，rRMSE=3.38%~10.82%）。此外，模型在叶龄监测方面也取得良好效果，在NG图像上rRMSE=5.73%/7.54%，在UAV图像上rRMSE=9.24%/14.44%。

通过可视化分析（Grad-CAM）可见，模型注意力区域集中分布在幼苗和叶片关键部位，显示出良好的可解释性。与Faster R-CNN、SSD、YOLOv7x、YOLOv8n、YOLOv9t、YOLOv10n等现有模型相比，所提出模型在精度、效率和适用性方面综合表现更优，尤其适合部署于计算资源有限的边缘设备如树莓派（Raspberry Pi）。

该研究的结论部分强调，YOLOv8n-LP和YOLOv11n-LP模型在显著降低计算复杂度的同时，保持了较高的检测精度和强大的环境适应性，能够有效应对田间复杂条件如光照变化、植株遮挡、杂草干扰和多尺度目标等问题。其技术方案包括轻量化模块设计、注意力机制与特征融合优化、模型剪枝等，为农业轻量化智能检测提供了可行路径。该模型不仅可用于玉米，还有潜力推广至高粱、棉花、甜菜等行播作物，具有广阔的农业应用前景。

研究还讨论了当前模型的局限性与未来方向，例如在高密度种植（株距15.9cm）和超高分辨率图像（1.87mm）下检测精度仍有下降，后期叶龄（V5）因叶片重叠增多导致误差上升等。未来可通过引入多角度成像、融合光谱信息、加强小目标检测优化等途径进一步提升性能。总体而言，该研究为田间作物表型监测提供了一种高效、轻量、可靠的解决方案，对智慧农业发展与育种决策具有重要实践意义。