基于无人机影像与Mamba-YOLO师生模型（MYTS）的温室黄瓜雌花半监督检测方法及其在产量预测中的应用

本刊推荐：本研究针对温室高密度种植环境下黄瓜雌花检测难题，创新性提出基于微型无人机（UAV）影像采集与三阶段半监督学习框架MYTS（Mamba-YOLO based Teacher-Student model）。通过融合多重注意力机制与自蒸馏技术，模型在雌花检测中实现90.6%精确度与95.2% mAP值，较主流YOLO系列提升超5%。该方案显著降低标注数据依赖，为作物表型分析提供高效技术路径。

　　

数据来源

本研究采用大疆Mini 2 SE微型无人机（尺寸245 mm × 289 mm）于2023年9月至2024年11月期间，在江苏扬州大学蔬菜基地温室（32.29°N, 119.48°E）进行黄瓜花卉图像采集。通过定点拍摄与视频录制相结合的方式，沿植株行列线进行自适应航迹飞行。

无人机影像采集结果

不同时段与天气条件下获取的定点图像与视频帧存在显著亮度与分辨率差异（图6）。定点图像分辨率较高但采集效率较低：单列植株拍摄需15分钟，总计609张图像耗时约3小时（表3）。后续人工标注另需20小时。视频拍摄虽可大幅提升效率，但需面对动态模糊与帧间冗余等挑战。

无人机摄影的高效性

传统温室内人工近地拍摄需耗费大量时间（每列95株植株耗时30-45分钟），而本方案中无人机单列视频采集仅需2分钟。结合后续半自动标注流程，整体效率提升约15倍，为高通量植物表型分析提供技术支撑。

结论

温室黄瓜雌花检测是监测植株生长状态与预测产量的关键环节。针对高密度种植环境下的植株遮挡、支架干扰等难题，本研究提出融合半监督学习与多重注意力机制的MYTS检测框架，在降低标注成本的同时显著提升复杂背景下的识别鲁棒性。未来将进一步探索该模型在黄瓜产量估算中的实际应用。