《Smart Agricultural Technology》:YOLOv5-Based Dense Rice Seed Counting Method Integrating C3CBAM and Soft-NMS
编辑推荐:
为解决密集稻种场景下计数精度低、漏检率高等问题,研究人员开展了基于YOLOv5的密集稻种计数方法研究。通过集成C3CBAM注意力模块增强特征提取,设计专用微小稻种检测头,并采用Soft-NMS算法优化后处理,显著提升模型性能。实验表明,改进后模型召回率提升6.4%,mAP@[0.5:0.95]提升5.7%,在高密度条件下计数精度仍超99.7%。该研究为水稻育种提供了高效的智能化计数工具,具有重要应用价值。
在水稻育种研究中,稻种计数是一项基础而关键的工作。准确统计稻种数量对于评估发芽率、预测产量以及筛选优良品种都至关重要。然而,由于育种实验具有小批量、多批次的特点,稻种计数尚未实现自动化,通常依赖人工完成。为确保准确性,往往需要重复计数,这不仅延误育种进度,还容易引入人为误差,影响实验结果的可靠性。
随着深度学习技术在农业领域的广泛应用,计算机视觉为目标检测提供了新的解决方案。但在稻种计数这一特定任务中,仍面临独特挑战。稻种作为典型的密集微小目标,在计数过程中常出现局部密集粘连现象。低密度粘连会导致种子相互遮挡,相邻种子的预测边界框产生干扰;高密度粘连甚至可能使种子竖立,增加特征提取难度。现有研究多集中于稀疏分布的大中型目标,对密集小目标计数任务的优化不足,缺乏针对密集小目标的注意力机制与检测头协同设计。
针对上述问题,淮阴工学院的研究团队在《Smart Agricultural Technology》上发表了一项创新研究,提出了一种基于YOLOv5的密集稻种计数方法,通过集成C3CBAM注意力模块和Soft-NMS算法,显著提升了密集稻种的计数精度。
研究团队首先构建了专业的稻种图像采集平台,采用穿孔面光源和600万像素工业相机,在26厘米高度拍摄稻种图像,共获取1000张随机分布的稻种图像。每粒稻种均通过LabelImg软件进行人工标注,数据集按9:1比例划分为训练集和验证集。值得注意的是,研究还专门构建了全新的测试集,包含50、100、130和150粒四个数量梯度,每个梯度又分轻、中、高三个密度等级,以全面评估模型在实际应用场景中的性能。
关键技术方法包括三个方面:首先,针对稻种微小尺寸的特点(竖立状态仅2-10像素宽,6-14像素高),设计了专用的微小稻种检测头,保留80×80的小目标检测头,新增160×160的微小目标检测头,同时移除中大型目标检测头,降低网络复杂度;其次,在骨干网络的4倍下采样特征层引入C3CBAM模块,将通道注意力与空间注意力机制结合,增强对遮挡稻种的特征提取能力;最后,采用Soft-NMS替代传统NMS,通过高斯函数对重叠框的置信度进行平滑衰减,有效减少密集场景下的漏检。
3.1. 实验设置
研究采用Intel Core i9-10920X CPU和NVIDIA RTX 3090 GPU的硬件平台,在PyTorch深度学习框架下基于YOLOv5(v7.0)环境进行模型训练。选择YOLOv5s轻量版作为基准模型,设置批量大小为16,输入尺寸640×640,训练轮次300轮,权重衰减0.0005,初始学习率0.01。
3.2. 评价指标
采用精确率(P)、召回率(R)、mAP@0.5和mAP@[0.5:0.95]作为模型性能评价指标,其中mAP@[0.5:0.95]通过计算IoU阈值从0.5到0.95(步长0.05)的平均精度,能更全面反映模型在不同检测严格度下的综合性能。同时使用参数量和GFLOPs衡量模型复杂度。
3.3. 对比实验
与基准YOLOv5s模型相比,改进后的YOLOv5s-Rice模型在召回率上提升6.4%,达到99.3%;mAP@[0.5:0.95]提升5.7%,达到89.3%;参数量减少30%至490万,实现了精度与效率的双重提升。与YOLOv7-tiny和YOLOv8s的横向对比进一步表明,该模型在保持较高精确率(98.9%)的同时,在召回率和综合检测性能上具有优势。
3.4. 消融研究
检测头消融实验显示,保留160×160微小目标检测头和80×80小目标检测头的组合(模型4)在保持最低参数量(4.9M)和计算量(15.6 GFLOPs)的同时,取得了最优的检测性能(mAP@[0.5:0.95] 87.6%)。整体模型消融研究表明,C3CBAM模块、专用检测头和Soft-NMS的三重改进组合实现了最佳性能平衡,在严格控制模型复杂度的前提下,将mAP@[0.5:0.95]提升至89.3%。
3.5. 同类研究对比
与小麦籽粒检测研究对比显示,YOLOv5s-Rice在精确率(98.9%)、召回率(99.3%)和mAP@0.5(99.5%)上均优于YOLOv7-ST和GrainNet模型,验证了该方法在密集微小种子检测中的优势。
3.6. 密集稻种检测性能
在不同密度条件下的计数精度测试表明,改进模型在轻、中密度条件下均实现100%的计数精度,在高密度条件下仍保持99.7%以上的精度,较基准模型提升超过20%。针对短粗型、中间型和细长型三种稻粒形态的进一步实验显示,虽然细长型稻种在重度密集条件下精度略有下降(99.2%),但整体表现稳定。
研究结论表明,该集成C3CBAM注意力机制和Soft-NMS的YOLOv5改进模型,能有效解决密集稻种计数中的遮挡、粘连和微小尺寸等难题。通过专用微小目标检测头设计、注意力机制增强特征提取以及优化后处理策略,在保持模型轻量化的同时显著提升检测性能。研究成果为水稻育种研究提供了高效的智能化计数工具,对推动精准农业发展具有重要意义。虽然模型在标准计算机上部署运行良好,但在边缘设备实时推理场景下的计算效率仍有优化空间,需至少配备NVIDIA Jetson系列边缘计算设备才能满足实时性要求。