基于多任务YOLO11-Mamba与无人机遥感技术的玉米出苗质量智能评估研究

本研究针对传统玉米出苗质量评估中矩形边界框(RBB)对不规则生长形态适应性差的问题，创新性地提出融合Mamba注意力(MA)模块的多任务YOLO11-Mamba框架。通过构建覆盖V2-V4生长阶段的高质量无人机RGB数据集，采用定向边界框(OBB)和关键点(KP)协同检测，实现了玉米植株计数(PC)、出苗率(ER)、株距(PS)和出苗均匀度(EU)的精准评估，其中PS预测R2达0.908，为早期田间精准管理提供了智能解决方案。

　　

在全球气候变化加剧的背景下，玉米(Zea mays L.)作为世界第一大粮食作物，其产量稳定性面临严峻挑战。特别是在出苗期，高温干旱等极端天气会显著影响出苗质量，进而影响最终产量。传统人工田间调查方法效率低下，而现有基于无人机遥感的技术多依赖矩形边界框(RBB)检测，难以准确捕捉玉米幼苗的不规则生长形态和精确株心位置，导致出苗质量评估存在显著误差。

南方科技大学微电子学院的研究团队在《Smart Agricultural Technology》发表的研究中，创新性地将前沿的Mamba模块引入YOLO11目标检测框架，开发出多任务YOLO11-Mamba模型。该研究首先构建了包含28,385张无人机RGB图像的高质量数据集，覆盖玉米V2至V4生长阶段。通过融合结构化状态空间模型(SSM)和独立空间注意力机制，提出的Mamba注意力(MA)模块显著提升了模型对玉米局部特征和全局依赖关系的捕捉能力。关键技术包括：1)采用OBB替代传统RBB以适应植株生长方向；2)引入KP定位技术精确标定株心；3)开发多任务学习框架同步优化OBB和KP检测。

研究结果显示，YOLO11-Mamba在OBB检测的AP₅₀达到84.7%，较基线模型提升2.1%；KP检测的mAP达92.1%，提升2.9%。在出苗质量评估方面，模型对PC、ER、PS和EU的预测R²分别为0.915、0.915、0.908和0.754。全田制图分析揭示了不同生长阶段的出苗差异：V4阶段的出苗率(76.53%)显著高于V2阶段(57.36%)，而株距在20-26cm标准范围内的分布比例随生长阶段推进逐渐增加。

该研究的创新性主要体现在三方面：首先，MA模块通过结合SSM的长程依赖建模能力和空间注意力的局部特征增强，有效提升了小目标检测性能；其次，OBB与KP的多任务学习策略解决了传统方法株心定位不准的难题；最后，建立的标准化评估体系为田间精准管理提供了量化依据。研究不仅为作物早期生长监测提供了新范式，其提出的轻量化模型架构(GFLOPs仅23.3)更便于农业现场部署应用。未来研究可进一步优化V2阶段小苗检测精度，并探索该框架在其他作物表型分析中的迁移应用潜力。