基于改进的YOLOv10-TQ和DeepSort在复杂环境中对白菜移栽状态检测及作业质量评估的研究

《Frontiers in Plant Science》：Research on cabbage transplanting status detection and operation quality evaluation in complex environments based on improved YOLOv10-TQ and DeepSort

本研究提出一种基于YOLOv10-TQ检测网络与改进DeepSort跟踪算法的卷心菜移植状态识别与计数方法。通过集成Triplet注意力机制增强特征表达，结合QFocalLoss与交叉熵损失优化分类精度，并采用MobileViT XXS轻量级特征提取网络降低计算复杂度。实验表明该方法在自建数据集上实现86.3%的mAP和97.8%的计数准确率，有效解决了传统方法在复杂田间环境下检测精度低、跟踪稳定性差和计数重复率高等问题，为农业机械智能化评估提供技术支撑。

　　
近年来，农业机械化进程加速，但传统移植质量评估方法存在效率低、易出错等缺陷。针对这一痛点，研究团队提出了一套融合智能检测与动态追踪的解决方案，重点解决 cabbage 移植过程中常见的三类状态识别与精准计数难题。该方法通过优化检测网络架构与引入创新追踪算法，显著提升了复杂田间环境下的识别准确性和计数可靠性。

在数据采集方面，研究团队构建了包含超6800张图像的专用数据集。该数据集通过多场景拍摄（晴朗正午、阴天、黄昏、雨天）和不同栽培条件（裸土、覆盖地膜）模拟真实田间环境，并特别收集了261张近距离单株移植状态图像。值得注意的是，数据集不仅包含正常移植样本，还重点补充了土壤覆盖过深（埋根）和过浅（露根）等异常状态的标注数据，有效缓解了类别不平衡问题。

检测网络架构的改进主要体现在两方面：首先引入三维注意力机制，通过空间旋转操作增强对叶片形态、土壤覆盖度和根系暴露等关键特征的捕捉能力。实验显示，这种改进使埋根状态的识别准确率提升了12.7%，在土壤反光强烈时仍能保持85%以上的识别率。其次开发了动态权重损失函数，通过自适应调整正负样本的损失权重，在保证正常移植状态识别率的同时，将裸根和埋根状态的漏检率降低至3%以下。

在追踪算法优化中，研究团队重构了特征提取模块。采用MobileViT XXS架构替代传统ResNet，在保持计算效率（单帧处理时间<25ms）的前提下，将特征维度压缩至原始的1/5，同时通过可变形卷积核提升对株型变化的适应能力。结合改进的DeepSORT算法，实现了跨帧目标追踪的ID稳定性达95.6%，较传统算法提升近20个百分点。

计数策略的创新体现在动态阈值调整机制。系统根据实时环境光强变化（自动检测光照强度0-100klux），动态调整计数线的高度参数。实验数据显示，在土壤湿度变化（20%-80%）和风速（0-5m/s）的干扰下，计数误差率仍控制在2.3%以内。这种基于运动轨迹的交叉计数法，成功解决了传统ID计数导致的重复统计问题，在模拟田间移动（速度0.35m/s）条件下，计数准确率达到97.8%。

系统集成方面，研究团队开发了可视化监控平台。该平台具备双模数据输入（实时视频流/离线视频回放），支持检测置信度热力图（Grad-CAM++可视化）、移植质量趋势分析（动态折线图）和异常状态预警（颜色标记+声音提示）。实际测试表明，在RTX 3090 GPU环境下，系统可实现43.5帧/秒的实时处理能力，单个帧的推理延迟稳定在23ms左右，满足农业机械的实时监控需求。

实验对比部分，研究团队在自建数据集上进行了多模型验证。改进后的YOLOv10-TQ模型在COCO格式数据集上的mAP达到86.3%，较传统YOLOv8提升4.2%，较最新YOLOv11s提升1.8%。特别在复杂场景测试中，模型对土壤覆盖深浅的区分准确率（ buried vs normal）达到89.4%，较基线模型提升15.6个百分点。DeepSort改进版在15,479张图像的跟踪测试中，ID切换频率降低至2.1次/分钟，较原始版本减少68%。

实际应用测试显示，在Kubota 2ZSY-4移植机作业场景中，系统可实时生成移植质量报告。例如，某地块连续拍摄显示：正常移植占比92.3%，埋根2.1%，露根5.6%。与人工抽样检测对比，计数误差率仅为1.8%，且系统成功识别了17例因土壤板结导致的移植异常案例。在鲁棒性测试中，系统在模拟暴雨（降雨强度5mm/h）和强风（风速6m/s）环境下仍保持91.2%的检测准确率。

未来改进方向包括：1）构建跨区域、多品种的联合数据集，计划扩充至10万+样本；2）开发边缘计算专用版本，模型参数量已压缩至8.1M，可运行在200MHz处理器的嵌入式设备；3）集成多传感器数据（惯导+视觉），预计将ID切换率进一步降至0.5次/分钟以下。研究团队正在与农业装备厂商合作，计划在2025年实现移植机配套系统的商业化落地。

该解决方案的核心价值在于实现了从图像识别到决策支持的闭环系统。通过检测网络对移植状态的特征解耦（如埋根状态重点捕捉土壤覆盖度梯度，露根状态侧重识别根系暴露区域），结合动态追踪算法对目标生命周期的完整记录，最终形成包含质量评分（0-100分）、问题热力图（土壤板结、叶片损伤等）和改进建议（如调整株距、更换刀具）的综合评估报告。实际应用表明，该系统可使移植机操作工的巡检效率提升40倍，同时将质量评估误差从人工的18%降至3.2%。

从技术演进角度看，该方法填补了移植质量自动化评估的空白。传统农业检测主要依赖人工目视检查（效率约5帧/分钟）或固定摄像机统计（误判率>15%），而本系统通过移动端计算机视觉实现了移动作业的实时监控。特别是在株距动态变化（30-40cm）和行距调整（40-50cm）场景中，系统仍能保持96%以上的识别准确率，这为精准农业的规模化应用提供了关键技术支撑。

该研究的应用前景已显现端倪。在山东寿光的 cabbage 种植基地，采用该系统后移植质量合格率从82%提升至94.6%，单季节约人工成本约120万元。在荷兰温室试验中，系统成功实现了对Lettuce（生菜）和Kale（羽衣甘蓝）的跨品种识别，检测速度达到32帧/秒。随着模型轻量化（MobileViT XXS参数量仅原版的10%）和边缘计算部署（已适配NVIDIA Jetson Nano），预计成本可降低至每台移植机的200美元以内，这将加速其在发展中国家农业市场的普及。

该技术的突破性在于首次将移植状态解构为可量化的特征参数。通过建立包含土壤硬度指数（SHI）、根系覆盖度（RCD）、叶片展开度（LED）等12项指标的评估体系，实现了移植质量的数字化表达。在江苏盐城的田间测试中，系统对移植深度的量化误差仅为0.8cm，较人工测量标准差降低62%。

从方法论层面，该研究开创了"检测-追踪-决策"的递进式解决方案。首先通过改进检测网络实现高精度状态识别（mAP86.3%），接着利用轻量化追踪算法维持目标连续性（ID稳定性>95%），最后通过智能计数策略消除环境干扰。这种三层递进架构有效解决了农业场景中常见的目标遮挡、光照变化、背景复杂度高等技术难题。

值得注意的是，系统设计充分兼顾了实用性与扩展性。硬件适配方面，已成功部署在多品牌移植机上（Kubota、John Deere等），软件层面提供API接口供农业物联网平台集成。在广东某 cabbage 种植园的实测中，系统处理延迟（从图像输入到质量报告生成）稳定在4.2秒内，满足现场实时需求。同时预留了农业无人机协同监测的扩展接口，为未来智慧农场建设奠定基础。

该研究对精准农业的推动作用体现在三个方面：1）建立可量化的移植质量评估标准，2）开发低成本高效的自动化检测系统，3）形成数据驱动的决策支持体系。在山东试点项目显示，结合系统输出的优化建议（如株距调整、刀具更换），可使移植效率提升30%，次品率降低至1.2%以下，每公顷增收约1500元。

从技术发展趋势看，该方案展示了计算机视觉在农业装备中的落地潜力。通过持续优化检测模型（当前mAP86.3% vs 指标要求90%），计划引入Transformer架构提升长程依赖捕捉能力。在追踪算法方面，正研究多模态融合（视觉+红外）的混合追踪框架，预期将低温环境下的检测率从68%提升至85%以上。这些改进将推动系统向全季节、全气候作业环境拓展。

综上所述，该研究不仅解决了 cabbage 移植质量评估的技术瓶颈，更构建了完整的农业智能决策链。通过检测精度提升（mAP86.3%）、追踪稳定性增强（ID稳定性95.6%）、计数可靠性提高（MAE2.1）三大核心突破，实现了从视觉感知到质量决策的完整闭环。未来随着模型轻量化（计划将推理速度提升至60FPS）和多机协同算法的优化，该系统将在设施农业、种子公司质检、农产品溯源等领域发挥更大价值，为智慧农业的落地提供关键技术支撑。