基于轻量化YOLOv8n与无人机RGB影像的玉米幼苗实时检测与计数方法研究

本文提出一种轻量化YOLOv8n改进模型YOLOv8-FLY，通过融合Rep_HGNetV2主干网络、BiFPN多尺度特征融合及TDADH动态检测头，显著降低模型参数量（1.58M）和计算量（7.4GFLOPs），在保持96.5% mAP精度的同时实现146.3 FPS实时检测，为滴灌水肥一体化模式下玉米苗期精准管理提供可部署技术方案。

　　

引言

玉米作为我国第二大粮食作物，其苗期株数检测对育种决策和精准农业至关重要。传统人工调查方法效率低下且误差率高，而无人机（UAV）搭载RGB传感器为田间作物监测提供了灵活高效的解决方案。针对现有玉米幼苗检测模型存在参数量大、实时性差等问题，本研究提出轻量化YOLOv8-FLY模型，通过结构重参数化与多尺度特征优化，实现资源受限边缘设备的高效部署。

材料与方法

数据集构建

实验在甘肃民乐县华瑞农场（北纬38°44′3.32″，海拔1683米）开展，采用大疆Mavic 3无人机在3米飞行高度采集1213张5280×2970像素RGB图像，地面采样距离（GSD）达0.07 cm/像素。通过水平翻转、亮度调整等数据增强手段，最终构建包含21,974个标注实例的数据集，目标尺寸集中分布于0.02-0.07（宽）和0.02-0.10（高）归一化区间。

模型架构创新

1. 1.

   Rep_HGNetV2主干网络：融合HGNetV2的层次化特征提取能力与RepConv结构重参数化技术，设计Rep_HGBlock模块。通过卷积层与批量归一化（BN）的等效融合公式W_new=γW/√var，显著降低推理阶段计算量。

2. 2.

   BiFPN特征融合：在颈部网络引入双向跨尺度连接，通过可学习权重协调不同层级特征，解决传统PANet在遮挡场景下信息丢失问题。热力对比显示改进模型关注区域较原模型扩大37%。

3. 3.

   TDADH动态检测头：采用组归一化（GroupNorm）和共享卷积策略，通过任务分解机制生成偏移量（offset）和掩码（mask），使分类与定位分支动态对齐。参数量较传统检测头减少43%。

实验结果

性能对比

在相同实验环境下，YOLOv8-FLY以3.5MB模型大小实现96.5% mAP@0.5，较原YOLOv8n模型降低43%参数量。轻量化效果显著：

• •

  计算量：7.4GFLOPs（降低8.6%）

• •

  推理速度：146.3 FPS（仅下降2.4%）

• •

  权重大小：3.5MB（缩减43%）

热力可视化分析

Grad-CAM++显示改进模型在盐噪（图13a）和弱光（图13c）条件下，目标区域激活强度提升21%，误检背景比例降低63%。小目标检测场景（图13d）中，幼苗识别率提高至94.8%。

应用系统

基于PyQt5开发的检测系统支持无人机实时视频流处理，可输出目标坐标（x,y,w,h）、置信度及帧率等信息。田间测试表明，系统在标准笔记本平台可实现115个目标/帧的实时解析，单帧处理耗时0.259秒。

讨论与展望

当前模型在极端阴影和土壤板结场景下仍有12%的漏检率。未来拟通过多光谱数据融合和Jetson边缘平台部署进一步提升鲁棒性。该研究为作物表型分析提供了可扩展框架，其动态检测头设计和特征融合策略对小麦、油菜等密植作物检测具有普适参考价值。