基于YOLO算法的无人机遥感图像水稻秧苗计数识别技术研究及其在精准农业中的应用

为解决传统人工计数效率低、误差大的问题，研究人员采用YOLOv8n/YOLOv9t/YOLOv10n模型结合12-15m无人机影像，构建100-200样本数据集，实现水稻秧苗高效识别（mAP@50达0.964，R2=0.889），为作物表型分析提供创新技术方案。

　　

水稻作为全球主粮作物，其产量监测直接关系粮食安全。传统秧苗计数依赖人工五点采样，效率低下且主观性强；卫星遥感又受制于重访周期和天气干扰。近年来，搭载RGB相机的无人机（UAV）虽能获取高清图像，但复杂田间环境下的秧苗重叠、水体反光等问题，使得现有识别技术难以兼顾精度与效率。如何利用深度学习突破这些瓶颈，成为农业遥感领域的关键挑战。

针对这一难题，贵州省农业科研团队在《Smart Agricultural Technology》发表研究，系统评估了YOLOv8n、YOLOv9t和YOLOv10n三种模型在12m/15m飞行高度下的性能差异。通过构建100-200张图像的标注数据集（含Anshun和Qianxinan两地样本），结合mAP@50、R²等指标，首次明确了YOLOv8n在低空遥感中的最优表现——12m高度下200张训练样本时，其mAP@50达0.964，预测R²达0.889，误差（RMSE）仅3.225株，显著优于其他版本。该成果为水稻育种筛选、补苗决策提供了自动化工具，推动精准农业技术落地。

关键技术方法
研究采用DJI MAVIC 3 M无人机采集5280×3956像素影像，通过MATLAB裁剪为640×640像素并做90°-270°旋转增强。使用LabelImg标注秧苗目标（共标注15,142-21,941株），按8:2划分训练/验证集。模型训练采用Ultralytics框架，对比YOLOv8n（无锚框设计）、YOLOv9t（PGI梯度编程）和YOLOv10n（去NMS优化）的性能差异，以P（精确率）、R（召回率）、F1值及训练时长（分钟）为评估指标。

研究结果

3.1 数据集规模对识别的影响
200张样本集使YOLOv8n的mAP@50从100张时的0.946提升至0.964，证明扩大样本可缓解小目标漏检问题。YOLOv10n在15m高度小样本（100张）下mAP@50仅0.868，凸显其对数据量的敏感性。

3.2 飞行高度的性能差异
12m高度下所有模型表现更优，如YOLOv10n的mAP@50从15m时的0.909降至12m时的0.944。表明低空影像能保留更多秧苗纹理特征，但15m的作业效率优势仍需权衡。

3.3 模型性能与效率对比
YOLOv8n以4.38分钟训练时长（200张）实现最快收敛，其mAP@50（0.964）远超YOLOv9t（0.936）和YOLOv10n（0.944）。而YOLOv9t耗时长达29.88分钟，性价比不足。

3.4 秧苗计数预测验证
在独立测试集（Qianxinan 30张图像）中，YOLOv8n预测R²达0.889，显著优于YOLOv9t和YOLOv10n（后者漏检严重）。可视化结果显示，YOLOv8n能准确标定密集秧苗，而YOLOv10n出现大面积漏检框。

结论与展望
该研究证实YOLOv8n在12m高度、200张训练样本时兼具精度与效率优势，其0.032的相对误差（rRMSE）满足田间监测需求。未来需优化模型对多变光照/背景的适应性，并探索分蘖期等生长阶段的动态监测。成果为无人机-深度学习协同的作物表型分析树立了新范式，尤其对山地农业区的精准管理具有实践意义。