基于无人机影像与改进YOLOv5s的烟草移栽机漏栽率智能评估方法研究

本刊推荐：本研究针对烟草移栽机漏栽率检测难题，创新性融合无人机影像技术与改进YOLOv5s深度学习模型。通过引入二阶通道注意力（SOCA）机制与简化空间金字塔池化（SimSPPF）结构，显著提升小目标特征提取能力（精度提升3.9%，mAP提升5.3%）。结合DeepSORT多目标跟踪与越线计数原理，实现栽植穴动态计数（漏检率降低2.5%），田间试验验证漏栽率检测准确率达90.28%，效率较人工提升10倍，为移栽机械性能评估提供自动化解决方案。

　　

引言

烟草作为重要经济作物，在西南丘陵山区农业经济中占据核心地位，其产量占全国总产量约62.53%。然而该地区地形复杂、土壤贫瘠，传统粮食作物经济效益有限，而烟草种植可显著提高土地利用率与经济回报。当前烟草生产仍高度依赖人工劳动，属于典型劳动密集型产业，面临劳动力短缺与成本上升的双重压力。推进烟草生产机械化已成为现代烟草农业发展的必然趋势，但现有机械化水平难以满足丘陵山区特殊作业需求。

在烟草全程机械化生产中，"种植"环节的机械化程度相对滞后。烟草栽培需满足特定农艺要求，如井窖式移栽技术要求移栽机在实现高速打穴的同时，还需与投苗装置保持高度协调性，这对烟草移栽机研发提出重大挑战。传统漏栽率评估主要依赖人工计数，效率低下且劳动强度大。在线检测方法如光电传感器和机器视觉技术存在结构复杂、成本高昂等问题，且需在机器本体部署传感器，难以完全满足研发测试阶段的实际检测需求。

材料与方法

方法概述

研究将漏栽率定义为漏栽穴数量与总栽植穴数量的百分比比值。通过构建基于改进YOLOv5s模型、DeepSORT算法和越线计数方法的自动化评估体系，实现栽植穴状态识别与动态计数。技术流程包括无人机影像采集、改进YOLOv5s模型训练、DeepSORT多目标跟踪和越线计数四个核心模块。

数据集构建

数据采集于湖南省湘西土家族苗族自治州永顺县石堤镇青龙村，采用大疆Mavic Air 2无人机在10-15米高度以1.5m/s速度飞行采集图像，以1.0m/s速度采集视频流。最终获得1,054张标注图像，包含17,698个"烟草"标注框和2,609个"缺失"标注框，涵盖幼苗种植穴和漏栽穴两种类别。

改进YOLOv5s检测方法

在YOLOv5s框架中引入二阶通道注意力（SOCA）机制，通过协方差归一化捕捉通道间相关性，自适应重校准通道方向特征。同时使用简化空间金字塔池化（SimSPPF）替代原SPPF结构，通过多尺度特征提取防止小目标细节丢失。SOCA模块通过计算输入特征图的协方差矩阵，生成注意力权重矩阵对特征进行重加权；SimSPPF则通过ConvBNReLU模块和三级MaxPool2d操作实现多尺度特征融合。

基于DeepSORT的栽植穴跟踪

采用DeepSORT多目标跟踪算法，在SORT算法基础上引入重识别（Re-ID）模型，通过卡尔曼滤波与匈牙利算法实现多目标跟踪。处理流程包括级联特征匹配、交并比（IoU）匹配和轨迹更新三个步骤，确保视频序列中目标标识的一致性。

越线计数统计

在DeepSORT算法中嵌入越线计数方法，通过设置虚拟计数线，在目标下边界中点首次越过计数线时触发对应类别计数。采用红色标记点表示幼苗种植穴，蓝色标记点表示漏栽穴，结合跟踪ID避免重复计数，实现两类目标的分类统计。

模型训练与评估

在Windows 11系统下采用随机梯度下降（SGD）优化器，初始学习率0.01，权重衰减系数0.0005，动量值0.937，训练轮次300。输入图像统一缩放至640×640像素，批量大小为32。使用余弦退火算法动态调整学习率，并采用COCO2017数据集预训练权重初始化。

评估指标包括精确率（Precision）、召回率（Recall）、平均精度均值（mAP）、推理时间和模型大小等检测指标，以及漏检率（M_m）、误检率（M_f）、多目标跟踪准确度（MOTA）和帧率（FPS）等跟踪指标。漏栽率检测精度（D_t）通过模型计数结果与人工计数结果的比值计算。

结果与讨论

模型评估测试

在自建数据集上对比YOLO系列模型性能，YOLOv5s在精确率（75.1%）、召回率（75.4%）、mAP（75.8%）、模型大小（14.1MB）和推理时间（0.0168s）方面表现最优。改进后的YOLOv5s模型精确率和mAP分别达到79.0%和81.1%，较原模型提升3.9%和5.3%。在50帧测试集图像上，幼苗种植穴检测精确率和召回率分别为92.9%和85.9%，漏栽穴分别为91.4%和84.6%。

跟踪算法性能对比

改进YOLOv5s与DeepSORT结合后，目标跟踪漏检率（M_m）和误检率（M_f）分别为4.1%和9.1%，较原YOLOv5s降低2.5%和6.1%，FPS达到19.9。采用越线计数方法有效避免标识切换导致的重复计数问题，实现栽植穴的准确统计。

漏栽率检测定性分析

在湖南省永顺县开展机械化烟草移栽作业试验，对20段无人机动态视频进行分析。结果表明，漏栽率检测平均精度（D_t）达90.28%，模型检测效率是人工计数的10倍。系统基于PyQT5框架开发，集成视频上传、模型分析、结果可视化与数据存储功能，实现移栽机作业性能的直观评估。

讨论

该方法在实际应用中仍需考虑无人机飞行高度、拍摄角度等因素影响。最佳作业条件为相机垂直地面-90°拍摄，飞行高度15-20米，视场内可见6-8行烟草幼苗。在覆膜井窖式移栽等特定农艺要求下，改进YOLOv5s模型能有效降低误检概率。当前训练集主要针对特定地区覆膜土壤条件，模型在其它移植场景的性能适应性仍需进一步研究。未来可将算法部署至无人机边缘平台，开发手机接口实现实时图像传输与显示，为移栽机作业性能监测提供系统级技术支持。

结论

本研究提出的基于无人机影像和改进YOLOv5s的智能评估方法，通过SOCA注意力机制和SimSPPF结构增强特征提取能力，结合DeepSORT算法和越线计数原理，实现烟草移栽机漏栽率的准确高效检测。改进模型在精确率和mAP上显著提升，跟踪漏检率和误检率明显降低，田间试验验证其检测准确率达90.28%，效率较人工提升10倍，为大规模移栽作业性能评估提供可靠技术支撑。