基于DM_IOC_fpn模型的小麦幼苗精准计数方法研究及其在田间复杂环境下的应用评估

《Frontiers in Plant Science》：Automatic detection and counting of wheat seedling based on unmanned aerial vehicle images

本文提出一种融合局部与全局特征的小麦幼苗计数模型DM_IOC_fpn，通过构建双分支结构（密度分支+回归分支）和引入密度增强编码器模块，显著提升了田间复杂环境下小麦幼苗的检测精度。实验表明该模型在自建数据集上的均方根误差（RMSE）和平均绝对误差（MAE）分别降至2.91和2.23，较IOCFormer模型提升明显，且在小麦穗数据集（WEDD）的泛化测试中保持最优性能，为作物高通量表型分析提供了可靠技术方案。

　　

引言

小麦幼苗计数是作物育种和产量预测的关键表型参数，传统人工计数方法效率低下且易受主观因素影响。近年来，基于无人机（UAV）影像和深度学习的目标检测技术为作物计数提供了新思路，但田间环境的复杂性（如幼苗重叠、光照变化、杂草干扰等）仍制约着计数精度。现有密度图回归模型（如MCNN、CSRNet）虽能实现端到端计数，但存在定位能力弱、小目标检测效果差等问题。本研究基于IOCFormer模型进行改进，提出融合局部与全局特征的DM_IOC_fpn模型，旨在解决复杂田间环境下小麦幼苗的精准计数难题。

材料与方法

数据采集与处理

研究通过大疆精灵4无人机搭载RGB相机，在河南省农业科学院试验田采集小麦幼苗期（三叶一心期）影像。图像分辨率设置为5472×3648像素，拍摄高度距地面10米，覆盖不同光照条件（强光/阴影）及幼苗密度（稀疏/密集）场景。原始数据集包含386张图像，按7:2:1比例划分为训练集、验证集和测试集。通过旋转、翻转、色彩调整等数据增强策略扩充样本量，并采用Labelling工具对幼苗中心点进行人工标注，生成高斯核密度图作为真值标签。

DM_IOC_fpn模型架构

模型核心由双分支结构组成：密度分支基于DM-Count框架，通过视觉变换器（ViT）提取全局上下文特征，生成高精度密度图；回归分支沿用IOCFormer的坐标回归机制，利用卷积神经网络（CNN）定位幼苗中心点。两分支通过特征金字塔网络（FPN）融合多尺度特征，并引入轻量化GSConv模块减少计算量。密度增强编码器采用空洞卷积扩大感受野，结合坐标注意力机制强化幼苗形态特征提取。损失函数设计为计数损失（L_CT）、分类损失（L_CL）和回归损失（L_RL）的加权组合，其中L_CT采用绝对值误差，L_CL使用二元交叉熵，L_RL采用平滑L1损失，超参数α设为0.5以平衡正负样本。

模型训练与评估

实验在Ubuntu系统下基于PyTorch框架实现，使用NVIDIA RTX3090 GPU进行训练。批量大小设置为8，初始学习率0.001，采用Adam优化器和早停策略防止过拟合。以均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）作为计数精度评价指标，同时对比不同模型的浮点运算数（GFLOPs）、参数量、内存占用和单图推理时间。

结果与分析

计数精度对比

在自建数据集上，DM_IOC_fpn的RMSE和MAE分别为2.91和2.23，显著优于对比模型（CSRNet：7.49/6.10；SCAR：3.36/2.83；DM-Count：3.10/2.38）。五折交叉验证显示模型稳定性优异，各折RMSE波动范围仅为2.91-3.70。在小麦穗数据集（WEDD）的零样本泛化测试中，该模型仍保持最低误差（MAE=10.46，RMSE=13.28），表明其对多尺度作物目标具有强适应性。

复杂场景适应性

针对田间典型挑战场景（如幼苗遮挡、杂草干扰、光照不均），DM_IOC_fpn通过双分支特征互补机制有效减少漏检。可视化结果显示，密度分支能准确识别密集区域幼苗分布，回归分支则精确定位重叠目标中心点。在含杂物、阴影的复杂样本中，模型计数误差较IOCFormer降低38.2%，证明其全局-局部特征融合策略的有效性。

模型效率分析

DM_IOC_fpn的GFLOPs为22.99，参数量87.26M，单图推理时间0.1秒，虽高于轻量级模型MCNN（0.51M参数），但显著优于CSRNet（16.26M参数）等传统密度估计模型。在Jetson Xavier边缘设备上的部署测试表明，模型可通过剪枝量化进一步压缩，满足田间实时计数需求。

讨论

本研究创新性地将密度估计与坐标回归范式结合，解决了单一方法在复杂农业场景中的局限性。密度分支通过Transformer捕获长程依赖关系，有效应对幼苗聚集造成的尺度变化；回归分支利用CNN的局部感知优势，提升小目标定位精度。相比仅支持密度输出的P2PNet等模型，DM_IOC_fpn可同时提供幼苗数量和空间分布信息，支持后续长势分析等下游任务。然而，模型对分蘖期后冠层结构变化的适应性仍需优化，未来需引入时序影像数据增强跨生长阶段泛化能力。

结论

DM_IOC_fpn模型通过双分支协同感知和特征增强机制，实现了田间复杂环境下小麦幼苗的精准计数。该方法为作物高通量表型分析提供了技术支撑，其架构设计思路可扩展至其他密集小目标检测场景。后续研究将聚焦于模型轻量化部署和跨作物迁移学习，推动智慧农业应用落地。