PFLO：基于 YOLO 架构的田间玉米高通量姿态估计模型 —— 精准解锁玉米生长密码

《Plant Methods》：PFLO: a high-throughput pose estimation model for field maize based on YOLO architecture

为解决田间环境下玉米姿态精确分析面临的背景复杂、种植密集、遮挡和形态变化等挑战，研究人员开展了玉米姿态估计模型（PFLO）的研究。结果显示，PFLO 在多方面表现优异，优于现有模型，为精准农业的作物监测提供有力工具。

　　在农业的大舞台上，玉米可是 “主角” 之一。作为全球三大主要粮食作物，它不仅为数十亿人提供能量和营养，还是重要的工业原料。提升玉米的产量和质量，一直是全球农业研究的重点。

植物姿态，就像是玉米生长的 “晴雨表”，能反映其生长发育、健康状况，还能帮助筛选抗倒伏品种。但在复杂的田间环境里，获取和分析玉米的姿态信息困难重重，比如背景多变、植株密集相互遮挡，传统方法费力还容易出错。

为了攻克这些难题，来自太原理工大学、中国农业科学院深圳农业基因组研究所等单位的研究人员，踏上了探索之旅。他们提出了 PFLO（Pose Estimation Model of Field Maize Based on YOLO Architecture），这是一个基于 YOLO 架构的田间玉米姿态估计模型，还搭配了创新的数据处理方法。这项研究成果发表在《Plant Methods》上，为玉米生长监测带来了新的曙光。

研究人员在开展研究时，主要运用了以下关键技术方法：首先，使用手持单反相机（Nikon Z5）从多个角度采集玉米图像，构建了包含 9800 张高质量图像的数据集，并进行人工标注。接着，对原始图像进行预处理，将手动标注的 “关键点 - 线” 转换为均匀分布的关键点并生成边界框，统一标注标准。然后，以 YOLOv9 为基础构建 PFLO 模型，模型中融入了多种改进模块，如 Squeeze - and - Excitation（SE）模块、RepPose 检测头、动态采样上采样模块和 Multiple - Scale Separated and Enhanced Attention Module（Multi - SEAM）等。

研究结果如下：

• 超参数调整与结果分析：通过系统的敏感性分析，确定了边界框填充大小为 25 像素、学习率为 0.01、批量大小为 4 时模型性能最佳。训练 130 个 epoch，模型性能稳定且避免了过拟合。与基线模型相比，PFLO 在姿态估计和对象检测任务的各项评估指标上均表现更优，如姿态估计 mAP⁵⁰达到 72.2%，相对提升 7.3%；对象检测 box mAP⁵⁰达到 91.6%，相对提升 3.8%。
• 消融实验：数据增强实验表明，Mosaic 增强和 HSV 颜色增强都能提升模型性能，两者结合效果更佳。模块贡献分析显示，SE 层、RepPose 检测头、动态上采样模块和 Multi - SEAM 层均对模型性能有显著提升，所有增强模块集成时性能达到最优。
• 与前沿方法对比：在姿态估计性能方面，PFLO 在各项指标上均优于其他顶尖模型，如精度达到 75.2%，mAP⁵⁰达到 72.2%，远超同类模型。在对象检测性能方面，PFLO 同样表现出色，精度达到 86.8%，mAP⁵⁰达到 91.6% ，在严格的 mAP^{50 - 95}评估中优势显著。
• 生长阶段与遮挡分析：PFLO 在不同生长阶段和遮挡条件下适应性强。在 V6 - V8 阶段（中度遮挡）检测能力卓越，V9 - R1 阶段（重度遮挡）虽性能有所下降，但仍优于基线模型。其对遮挡的抗性更强，OKS 和 PCK@0.2 指标表明其在关键点定位上具有高精度。

研究结论和讨论部分指出，PFLO 集成了数据预处理技术和架构增强，在复杂田间环境下表现卓越，能有效提取和分析玉米姿态。相比之前研究，它利用普通手持相机图像，降低技术门槛。在实际应用中，其姿态估计精度的提升有助于精准表型测量，能加速抗逆品种的筛选；在精准农业中，可减少成像次数和劳动力成本。不过，PFLO 也存在一些局限，如在极端遮挡和远距离背景植物检测上还有提升空间，数据集的多样性也有待增强，且模型更注重检测精度，推理速度还可优化。未来，研究将聚焦于多模态数据融合、拓展评估范围、优化边缘计算以及建立姿态数据与生理指标的联系，并尝试将其应用于其他作物，为作物管理和干预提供更精准的支持。