基于ESCA增强YOLOv5s的轻量化框架在中国杉木幼苗阶段分类与数量估算中的应用研究

为解决中国杉木(Cunninghamia lanceolata)幼苗大规模培育中精准计数与生长阶段分类的难题，研究人员提出了一种基于YOLOv5s的轻量化检测框架ESCA-YOLOv5s。该研究通过引入Shufflenetv2主干网络、增强空间通道注意力机制(ESCA)和Focal-EIoU损失函数，使模型在mAP@0.5提升1.7%的同时，参数量减少88%至3.3MB，推理速度达300.2 FPS。研究成果通过NCNN框架部署至安卓设备，为林业精准管理提供了高效解决方案。

　　

中国杉木作为南方重要的造林树种，其幼苗培育规模庞大，传统人工检测存在12-18%的计数误差，且每公顷需耗费2.3±0.7工时。在精准林业发展的背景下，如何实现高效准确的幼苗数量统计与生长阶段分类成为亟待解决的技术瓶颈。针对现有目标检测模型在复杂苗圃环境中存在计算资源消耗大、部署困难等问题，浙江农林大学的研究团队创新性地提出了ESCA增强的YOLOv5s轻量化框架，相关成果发表在《Industrial Crops and Products》上。

研究团队主要采用三项关键技术：首先应用ShuffleNetV2替换原YOLOv5s主干网络，遵循"通道均衡"等四大设计原则降低计算成本；其次设计增强空间通道注意力模块(ESCA)，通过双分支结构同步建模通道依赖与空间关系；最后采用Focal-EIoU损失函数优化边界框回归。实验数据来自浙江农林大学东湖校区温室培育的杉木幼苗，包含1021张标注图像，按7:2:1比例划分为训练集、验证集和测试集。

研究结果显示，改进模型在多项指标上表现突出。在模型架构方面，ShuffleNetV2的引入使参数量降至0.85M，较原模型减少87.89%；ESCA模块使mAP@0.5提升至93.9%，较基线模型提高1.7个百分点。在对比实验中，该模型以300.2 FPS的推理速度显著优于YOLOv5n(251.6 FPS)等对比模型，且模型体积仅3.25MB。通过Grad-CAM可视化证实，改进模型对幼苗关键特征的关注度显著提升。

移动端验证环节尤为亮眼。部署至荣耀60SE手机后，改进模型在CPU/GPU模式下的FPS分别达到29.9%和43.5%的提升。对150幅实地图像的测试表明，模型对子叶期(Co)、真叶期(Eu)和苗期(Se)的检测R2分别达到0.9641、0.9487和0.9182，总苗数预测RMSE仅为3.01。t检验结果(p>0.05)证实预测值与真实值无显著差异。

该研究的创新价值主要体现在三方面：其一，提出的ESCA模块通过协同优化通道与空间注意力，有效解决了复杂背景下小目标检测难题；其二，Focal-EIoU与轻量化网络的协同设计，实现了精度与效率的最佳平衡；其三，通过NCNN框架实现移动端部署，为林业田间检测提供了可落地的解决方案。研究团队指出，未来将融合多光谱成像与三维形态分析技术，进一步提升类间区分度，并开发具备实时监测能力的物联网边缘设备。这项成果不仅为中国杉木育苗管理提供了技术支撑，也为其他农作物表型分析提供了可借鉴的轻量化模型优化范式。