深度学习技术在向日葵(Helianthus annuus L.)单双株定位与株数统计中的应用：封闭式与开放式方法的权衡

研究人员针对向日葵种植中单双株精准定位和株数统计的难题，开展了基于深度学习(DL)的对比研究。通过对比ArcGIS Pro内置工具与自主开发的Python-YOLOv11m模型性能，发现开放平台方案在mAP@0.5:0.95、F1分数(0.9)和RMSE(26.7株/区块)等指标上显著优于商业软件，为大规模农业监测提供了更灵活高效的解决方案。

　　

向日葵作为北美重要的油料作物，其种植密度直接影响产量潜力。然而传统人工统计方法效率低下，而商业GIS平台如ArcGIS Pro集成的深度学习模型(SSD/YOLOv3)又存在处理高分辨率无人机影像(UAS)的局限性。这一矛盾在向日葵早期生长阶段尤为突出——幼苗体积小、易被杂草遮挡的特性，使得现有技术难以实现精准的"单株"(singles)和"双株"(doubles)识别。

针对这一技术瓶颈，来自北达科他州的研究团队在《Smart Agricultural Technology》发表了一项创新研究。该团队设计了一套开放式的深度学习工作流，核心是采用最新YOLOv11m模型结合切片辅助超推理(SAHI)技术，并与ArcGIS Pro封闭系统进行全方位对比。研究首次系统评估了商业GIS平台在农业表型分析中的实际应用边界，同时开发了基于Plotly Dash框架的图形化界面(GUI)，使先进算法能惠及非专业用户。

关键技术路线包含四个创新点：首先利用Real-ESRGAN进行2倍超分辨率重建，将512×512像素图像提升至1024×1024；其次应用过量绿色指数(ExG=2G-R-B)增强植被特征；然后采用半监督学习策略，通过5轮伪标注迭代将标注数据扩展至822,925个实例；最后集成ResNet-50分类器过滤噪声区域。这种多模态预处理使模型在复杂农田场景中的鲁棒性显著提升。

在模型性能方面，研究通过严格的对照实验获得突破性发现：

1. 内置模型局限性：ArcGIS Pro的SSD模型平均精度仅27.2%，且无法处理完整田块影像；YOLOv3则因内存限制完全无法运行。
2. 开放平台优势：YOLOv11m在mAP@[0.5:0.95]达到0.875，F1-score 0.9，较未预处理数据性能提升53.5%。其空间金字塔快速池化(SPPF)模块有效捕捉了幼苗微小特征。
3. 株数统计精度：在8个验证区块中，模型计数与人工标注的绝对误差为12-42株，相对误差11.9%，RMSE 26.7株/区块。
4. 可视化工具创新：开发的GUI支持实时调整切片尺寸(512-640px)和重叠率(20%)，使处理速度达到5.2秒/区块，较人工标注效率提升300倍。

讨论部分揭示了更深层的技术启示：虽然商业软件提供便捷的标注工具(如PASCAL VOC格式导出)，但其"黑箱"特性限制了针对农业场景的优化空间。例如，ArcGIS Pro无法支持YOLOv11的SiLU激活函数、动态切片等关键改进。而开放式方案通过SAHI技术实现大尺寸正射影像的无缝处理，配合ExG指数增强，使幼苗期向日葵的识别准确率从44%提升至87.5%。

该研究的现实意义在于：一方面证实了当前GIS平台在农业AI应用中的性能天花板，另一方面提供了可复用的技术框架——从数据增强、模型优化到结果可视化的完整链条。特别是针对早期生长阶段(G×E×M交互关键期)的监测能力，为精准农业提供了新的表型分析工具。未来通过纳入"多株簇"(multiples)分类和区域特异性杂草库，可进一步拓展该系统的应用场景。正如作者Maria Villamil-Mahecha团队强调的，这项研究不仅解决了向日葵种植的实际问题，更开创了开放生态与商业软件在农业AI领域的性能基准测试范式。