基于轻量化LOYOLO-GC模型的西瓜籽粒重叠群体密度估计与精准计数方法研究

为解决西瓜籽粒扁平形态导致的重叠遮挡计数难题，研究团队创新性地提出基于YOLOv8n架构的轻量化群体计数模型LOYOLO-GC。该研究通过引入HGNetV2骨干网络、GhostConv卷积和LSKA注意力机制，构建了参数仅1.09M的轻量化模型，在自建多遮挡程度西瓜籽数据集上实现96.08%精度和86.66% mAP，较基线模型提升0.48%和1.67%，同时参数降低63.8%。提出的群体检测计数方法将重叠目标视为整体进行分类计数，使严重遮挡场景下的计数准确率提升5.04%，为农业自动化中的种子质量检测提供了高效解决方案。

　　

在农业生产和种子科学研究中，准确计数西瓜籽粒对品质检测、育种筛选和资源分配至关重要。然而这些扁平籽粒极易重叠遮挡，传统光电计数方法误差率高，而现有深度学习模型如YOLOv3、RetinaNet等主要针对玉米、水稻等球形种子设计，在西瓜籽场景下mAP骤降至77.6%。更棘手的是，当前模型参数量普遍较大（如YOLOv3达61.52M），难以部署在田间移动设备上。这些瓶颈严重制约了种子质量自动化检测的推广应用。

长春市科技局项目支持的研究团队开发了突破性的解决方案——LOYOLO-GC模型。这项发表于《Information Processing in Agriculture》的研究，通过三重创新实现了性能突破：首先采用HGNetV2替换原YOLOv8n骨干网络，利用深度可分离卷积(DWConv)和轻量卷积(LightConv)将参数压缩53.5%；其次在HGBlock中引入GhostConv生成"幽灵特征图"，进一步减少64.1%参数；最后创新性地设计大核可分离注意力(LSKA)机制，将传统大卷积核分解为深度卷积(DW-Conv)、深度膨胀卷积(DW-D-Conv)和1×1卷积的组合，在降低38.9%计算量(GMACs)的同时增强了对遮挡特征的捕捉能力。

关键技术方法包括：1)构建含340张不同遮挡程度西瓜籽图像的数据集，通过遮挡组合增强(OCA)扩增至600张；2)开发基于重叠阈值τ(0.4)的群体目标整合算法，将重叠籽粒自动归类为数量组；3)采用平均黑像素比(ABPR)量化遮挡程度，划分轻(>0.23%)、中(0.18-0.23%)、重(<0.18%)三个等级；4)在RTX 8000显卡上以640×640分辨率训练200个epoch，学习率设为0.001。

研究结果方面：1)模型优化显示，HGNetV2+GhostConv+LSKA组合使参数量降至1.09M，mAP提升至86.66%；2)对比实验中，LOYOLO-GC以96.08%精度超越RetinaNet(88.20%)和YOLOvX-tiny(87.61%)；3)群体计数方法在τ=0.4时表现最优，使重度遮挡场景计数准确率(H-ACC)达87.94%，较传统方法提升5.04%；4)在公开巴士数据集测试中，模型mAP达96.38%，验证了泛化能力。

这项研究的意义在于：理论层面，证实了轻量化架构与注意力机制的协同效应——GhostConv通过特征冗余抑制模拟人类视觉效率，LSKA通过空间-通道双维度注意力补偿信息损失；实践层面，模型4.16MB的内存占用和5FPS推理速度，使其可部署至手持设备，满足田间实时检测需求。研究者指出，该方法可扩展至其他扁平种子的计数场景，为智慧农业中的自动化分选系统提供了关键技术支撑。未来工作将探索在籽粒大小测量、品质分级等延伸应用中的潜力。