一种基于改进版的“you only look once”算法（版本8）的小麦生长阶段分类方法

《Engineering Applications of Artificial Intelligence》：A classification method for winter wheat growth stages based on an improved version 8 of the you only look once

精准识别作物生长阶段对农业决策至关重要，但相邻生长阶段形态差异细微且易受环境干扰。本研究基于YOLOv8n-cls模型提出EOT-YOLO改进方案，创新性地设计EDown双分支下采样模块、C2f-ODConv动态卷积模块及TA三重视角注意力机制，有效解决信息损失、特征建模僵化及背景干扰问题。在涵盖十种生长阶段的冬季小麦数据集上，模型准确率达96.11%，优于13种主流分类模型。

　　在农业生产中，准确识别作物的生长阶段对于科学决策和资源管理至关重要。冬季小麦作为一种全球广泛种植的谷物作物，因其高产潜力、广泛的生态适应性和丰富的营养价值，在保障全球粮食安全方面发挥着不可替代的作用。然而，随着种植面积的不断扩大，田间管理的复杂性也显著增加，这使得对作物生长阶段的精细化和智能化管理变得尤为关键。传统的生长阶段识别方法主要依赖人工观察，这种方式在小规模种植中仍然可行，但在现代大规模农业中则显得效率低下、误差率高，难以满足实时和精确管理的需求。因此，如何利用先进的技术手段，如计算机视觉和深度学习，实现对作物生长阶段的自动识别，成为当前农业研究的重要方向。

本研究提出了一种基于改进的YOLOv8n-cls模型的高效分类方法，旨在提升冬季小麦生长阶段识别的准确性。YOLOv8n-cls是一种在图像分类任务中表现优异的模型，其结构能够实现快速、高精度的识别。然而，传统的YOLO模型在处理具有高度连续性和细微差异的作物生长阶段图像时，仍然存在一定的局限性。为了克服这一问题，本研究引入了三个关键的改进模块：EDown模块、C2f-ODConv模块和Triplet Attention（TA）机制。这些模块分别针对不同问题进行优化，从而提升了模型在复杂田间环境下的表现。

EDown模块采用双分支结构，旨在减少图像在下采样过程中的信息损失。传统的下采样方法通常会丢失一些关键的细节信息，影响模型对生长阶段的准确识别。EDown模块通过结合局部细节信息和全局语义特征，保留了图像中重要的结构信息，使得模型能够更有效地捕捉生长阶段之间的细微差异。这一改进不仅提升了模型的识别能力，还增强了其在不同生长阶段图像中的泛化能力。

C2f-ODConv模块引入了多维动态卷积（ODConv）机制，用于提升模型对不同生长阶段结构特征的适应能力。传统的卷积操作通常采用固定的卷积核结构，难以适应作物生长过程中动态变化的特征。ODConv模块通过在空间位置、输入通道、输出通道和卷积核维度等多个维度上实现并行的注意力机制，使得卷积核能够根据图像内容动态调整，从而增强了特征提取能力。这种机制使得模型能够更灵活地识别作物在不同生长阶段的细微结构变化，提升了整体的识别精度。

Triplet Attention（TA）机制则进一步增强了模型对生长阶段关键特征的响应能力。TA机制结合了通道注意力和空间-方向依赖性，使得模型能够更有效地关注表达生长阶段特征的关键区域，同时过滤掉无关的背景信息。这种机制不仅提升了模型对图像细节的感知能力，还增强了其在复杂田间环境下的识别稳定性，使得模型能够更准确地识别作物的生长阶段。

本研究的数据集涵盖了冬季小麦的十个主要生长阶段，通过数据增强技术扩大了数据集的规模，从而提升了模型的泛化能力。数据集的构建遵循了现有的农业文献和相关研究，结合了多种定义和诊断标准，确保了数据的全面性和准确性。在实验设置方面，本研究使用了一台配备高性能硬件的工作站，包括Intel(R) Core(TM) i5-13400F处理器、16GB RAM和NVIDIA GeForce RTX 4090 GPU，以确保模型训练和测试的高效性。软件环境方面，使用了Windows 11操作系统、Python 3.8编程语言和PyTorch 2.1.2深度学习框架，以实现模型的稳定运行和高效训练。

在评估模型性能时，本研究采用了四个主要的评估指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1-score。这些指标能够全面反映模型在不同生长阶段识别任务中的表现。实验结果显示，所提出的EOT-YOLO方法在十个生长阶段的分类任务中取得了96.11%的准确率，优于13种主流的图像分类模型。这一结果表明，EOT-YOLO方法在提升冬季小麦生长阶段识别精度方面具有显著优势。

本研究的创新点主要体现在对传统模型的结构优化和功能增强。通过引入EDown模块、C2f-ODConv模块和TA机制，EOT-YOLO方法在处理具有高度连续性和细微差异的生长阶段图像时表现出更强的适应性和识别能力。此外，本研究还对数据集进行了详细的构建和描述，确保了数据的全面性和代表性。在实验分析中，通过对比不同模型的表现，验证了EOT-YOLO方法的有效性，并进一步探讨了其在实际应用中的潜力。

本研究的成果不仅为冬季小麦生长阶段的识别提供了理论基础和实践参考，还为农业领域的智能化管理提供了新的思路。通过提高模型的识别精度和稳定性，EOT-YOLO方法能够帮助农业生产者更准确地制定种植和管理策略，从而降低生产成本、提高产量，并增强农业生产的整体效率和可持续性。此外，本研究还强调了计算机视觉技术在农业中的广泛应用前景，特别是在精准农业、作物监测和智能决策支持等方面。通过结合深度学习技术，农业图像识别能够实现更高的自动化水平，为现代农业的发展提供强有力的技术支撑。

在实际应用中，EOT-YOLO方法能够有效应对自然田间环境中的各种挑战，如光照变化、作物遮挡和背景杂草干扰。这些因素通常会影响模型对关键区域的识别能力，导致识别准确率下降。通过引入EDown模块、C2f-ODConv模块和TA机制，EOT-YOLO方法能够在复杂环境中更准确地识别作物的生长阶段，提高识别的鲁棒性和稳定性。此外，本研究还强调了模型的可扩展性，使其能够适应不同的生长阶段分类任务，为农业领域的广泛应用提供了可能。

本研究的贡献不仅体现在模型的改进和优化上，还在于对农业图像识别方法的系统研究。通过构建一个全面的冬季小麦图像数据集，并结合数据增强技术，本研究提升了模型的泛化能力，使其能够更好地适应实际田间环境。此外，本研究还对模型的各个模块进行了详细的分析和讨论，明确了其在不同任务中的作用和优势。这些研究结果为未来的农业图像识别提供了重要的参考，同时也为其他作物的生长阶段识别提供了借鉴。

在未来的农业研究中，如何进一步优化模型结构，提升其在不同生长阶段的识别能力，仍然是一个值得探讨的问题。此外，如何将模型应用于实际农业生产中，实现更高效的自动化管理，也是研究的重要方向。本研究通过引入EDown模块、C2f-ODConv模块和TA机制，提升了模型在复杂环境下的表现，为农业图像识别提供了新的思路和方法。同时，本研究还强调了计算机视觉技术在农业中的广泛应用前景，特别是在精准农业、作物监测和智能决策支持等方面。

综上所述，本研究通过构建一个全面的冬季小麦图像数据集，并结合数据增强技术，提升了模型的泛化能力。通过引入EDown模块、C2f-ODConv模块和TA机制，EOT-YOLO方法在提升冬季小麦生长阶段识别精度方面表现出显著优势。这些研究成果不仅为农业领域的智能化管理提供了理论基础和实践参考，还为其他作物的生长阶段识别提供了借鉴。在未来的研究中，如何进一步优化模型结构，提升其在不同生长阶段的识别能力，仍然是一个值得探讨的问题。同时，如何将模型应用于实际农业生产中，实现更高效的自动化管理，也是研究的重要方向。