《Industrial Crops and Products》:DDB-YOLO: A lightweight deep learning approach for individual tree crown segmentation from UAV imagery towards high-fidelity vegetation index derivation of rubber tree
编辑推荐:
准确监测橡胶树的生长和物候对于理解其对胶乳产量和质量的影响至关重要。在密植种植园中,高树冠密度、重叠的树冠和复杂的树冠结构对传统方法提出了巨大挑战。为了克服这些限制,研究人员构建了一个集成框架,该框架结合了一个用于精确树冠分割的轻量级深度学习模型和一个用于光谱
准确监测橡胶树的生长和物候对于理解其对胶乳产量和质量的影响至关重要。在密植种植园中,高树冠密度、重叠的树冠和复杂的树冠结构对传统方法提出了巨大挑战。为了克服这些限制,研究人员构建了一个集成框架,该框架结合了一个用于精确树冠分割的轻量级深度学习模型和一个用于光谱纯化的植被指数计算策略。本研究提出了一种实例分割模型——DDB-YOLO,其核心架构设计聚焦于协同集成。它采用了DDCNv4模块(可变形卷积v4)进行几何适应和多尺度特征提取。随后,高质量特征被输入到BRAttention模块(双层路由注意力)中,以解决复杂的边界和全局上下文问题。同时,研究人员采用DSConv模块(动态稀疏卷积)来系统地平衡BRAttention引入的计算负载,确保计算效率。这种深度优化的设计在性能上取得了显著成果:与基线YOLOv8n-Seg相比,DDB-YOLO将Box mAP50提高了3.2%,Mask mAP50提高了3.7%,最终分别达到79.4%和79.3%的准确率。该设计充分体现了在保持高精度的同时出色的资源优化:它拥有2.46M的参数和9.66G的FLOPs(浮点运算次数),有效解决了高密度种植园中的分割挑战。利用这些分割后的树冠,研究人员建立了单木树冠植被指数(ITC-VI),该指数仅在树冠内计算植被指数,从而最小化背景干扰。ITC-VI在捕捉物候动态和区分六种橡胶品种间的细微生理差异方面优于传统的面积平均植被指数(AAVI)。该框架建立了一座桥梁,将树冠层面的生长和物候与胶乳产量和质量联系起来,提供了精确的单木级别测量,以支持橡胶种植园的精准管理和可持续生产。该方法计算高效、可扩展,并且易于应用于高密度种植园的田间级别监测。
**论文解读文章**
**研究背景**
橡胶树(*Hevea brasiliensis*)是全球工业体系中不可或缺的战略原料,其胶乳产量和质量受树冠生长与物候动态的直接影响。在密植种植园中,高树冠密度、重叠的树冠和不规则的树冠形态给传统监测方法(如地面调查和卫星遥感)带来了巨大挑战。地面调查虽能提供精确单木信息,但劳动密集、成本高昂且难以大范围高频监测;卫星遥感(如WorldView-3)受限于空间分辨率、窄幅宽和热带多云气候,无法有效解析单木树冠。无人机(UAV)影像因其厘米级地面采样距离(GSD)和灵活采集能力,成为弥合尺度差距的理想数据源。然而,从UAV影像中提取高保真植被指数(VI)以反映单木生理状态的核心难题在于:传统面积平均植被指数(AAVI)方法将区域中所有像素(包括土壤、阴影、林下植被等背景)平均计算,导致光谱信号污染,削弱了VI对真实树冠状态的表征能力。因此,研究人员开展本研究,旨在开发一个结合轻量级深度学习模型精确分割单木树冠(ITC)与光谱纯化策略的集成框架,实现高保真植被指数提取,并验证其在大规模精准监测中的潜力。该研究发表在《Industrial Crops and Products》。
**主要研究内容与结论**
研究人员提出了DDB-YOLO模型和单木树冠植被指数(ITC-VI)策略,构建了一个端到端的框架。DDB-YOLO在YOLOv8n-Seg基础上,通过集成DDCNv4(双支路可变形卷积v4)、BRAttention(双层路由注意力)和DSConv(动态稀疏卷积)三个核心模块,实现了对高重叠、不规则形态橡胶树冠的高精度实例分割。基于分割出的纯树冠像素,ITC-VI方法仅在冠层内计算16种RGB导出的VI,有效排除背景干扰。实验结果表明:DDB-YOLO在测试集上Box mAP
50达79.4%,Mask mAP
50达79.3%,参数量仅2.46M,FLOPs为9.66G,推理速度87.28 FPS,在精度与效率间取得优异平衡;与AAVI相比,ITC-VI在捕捉橡胶树“落叶-展叶”物候周期(显示清晰V/U形曲线)和区分6个品系(如CATAS879叶绿素含量偏低)方面表现出显著更高的敏感性和抗背景干扰能力。该框架为橡胶种植园的精准管理和可持续生产提供了单木级别的可靠数据基础。
**关键技术方法(≤250字)**
(1)数据集构建:基于中国热带农业科学院(CATAS)海南儋州试验区(109.51425°E, 19.50462°N),2024年5月至2025年5月每月采集UAV RGB正射影像,共13个时间点。从2024年5–12月影像中裁剪640×640像素图块,经人工标注构建1490张图像的训练/验证/测试集(8:1:1),另用2025年1–5月5个时间点影像作为独立时序验证集。
(2)DDB-YOLO模型:在YOLOv8n-Seg骨干网络中,用DDCNv4模块(融合动态形态自适应卷积组与多尺度扩张卷积分支)替代C2f,增强几何适应与多尺度特征提取;颈部嵌入DSConv模块(基于变量量化核和核分布偏移策略)以低比特量化降低计算负载,同时保持特征保真度;在颈部P4层引入BRAttention模块(双层路由注意力),通过粗粒度区域过滤与细粒度局部计算精化特征相关性,提升边界与全局上下文建模能力。
(3)ITC-VI策略:利用DDB-YOLO分割掩膜,计算仅包含树冠内像素的16种VI(如ExG、GRVI等)均值,排除土壤、阴影等背景干扰。
**研究结果**
**3.1 模型性能与比较**
**3.1.1 消融实验**:以YOLOv8-Seg为基线(Box mAP
50 76.2%,Mask mAP
50 75.6%)。单独引入DDCNv4(Model B)使性能显著提升(Box mAP
50 79.5%),热图显示激活区域更聚集于冠层轮廓;单独使用DSConv(Model C)提高精度(Box Precision 74.5%,Mask mAP
50 79.3%),强化小目标与模糊边界识别;单独使用BRAttention(Model D)增强注意力聚焦(Mask mAP
50 77.2%)。三者同时集成(Model G,即DDB-YOLO)达最优综合性能(Box mAP
50 79.4%,Mask mAP
50 79.3%),热图呈现清晰锐利的冠层轮廓与极低背景干扰,验证了模块间的协同互补。
**3.1.2 DDCNv4组件分析**:仅引入动态形态自适应卷积组(Model B)使Mask mAP
50从75.6%提至76.4%,表明其通过学习偏移量实现不规则冠形几何适配;仅引入多尺度扩张融合结构(Model C)将Mask F1 Score提至70.5%,显示扩张率3、6、9的并行卷积融合了局部至大范围上下文,增强重叠区域解析能力;两者联合(DDCNv4模块,Model D)达最优Mask mAP
50(76.9%)和Mask F1 Score(71.62%),参数仅2.58M。
**3.1.3 DSConv组件分析**:仅使用变量量化核(VQK,Model B)将Mask mAP
50提至77.8%,参数显著降低,表明梯度敏感压缩有效保留关键权重;仅使用核分布偏移(KDS,Model C)进一步提至78.6%,Mask F1 Score达71.44%,说明分布校准补偿了量化偏差;两者联合(DSConv模块,Model D)达Mask mAP
50 79.3%,Mask F1 Score 72.04%,参数2.91M,实现轻量与高精度的最优权衡。
**3.1.4 模型对比评估**:与YOLOv8-Seg、YOLOv5-Seg、YOLOv11-Seg、RTMDet-Ins-Tiny、YOLACT、SOLOv2、Mask R-CNN、Mask Score R-CNN及Detectree2相比,DDB-YOLO在Mask mAP
50(79.3%)和Mask mAP
50?95(48.1%)上均最优,参数最少(2.46M),FLOPs最低(9.66G),FPS达87.28。可视化结果显示,在模糊边界和复杂背景下,对比模型普遍出现漏检、误分割和边界模糊,而DDB-YOLO能准确生成清晰连续的冠层掩膜。
**3.2 ITC-VI与AAVI方法比较**
**3.2.1 对橡胶树物候的敏感性**:ITC-VI策略下16种VI时间序列呈清晰“V”或“U”形曲线,精确对应1–2月落叶期(值下降至低谷)和3–5月展叶期(值快速回升),符合橡胶树物候节律。AAVI策略下曲线表现出信号衰减和响应滞后,因背景像素混入导致光谱污染,使物候特征扭曲。ITC-VI被证实为高效的“物候信号放大器”,AAVI则为“信号衰减器”。
**3.2.2 对橡胶品系差异的敏感性**:在2024年10月至2025年1月的关键物候期,ITC-VI揭示出不同品种(如CATAS879)在表征绿度与生理状态的指数(ExG、GRVI、EGRBDI)上持续低于其他品种,而在基础色空间指数(CIVE、ExB)上显著偏高,指示其叶面积指数(LAI)或冠层密度相对较低。AAVI方法未能稳定区分此类细微差异,而ITC-VI在单木尺度上的空间可视化进一步确认了该光谱偏倚趋势。
**总结讨论与结论翻译**
**讨论部分**:研究指出,DDB-YOLO通过深度可分离密集瓶颈和高效特征聚合机制,在保持高精度的同时显著降低计算复杂度,实现了轻量与高精度的平衡,适用于资源受限的UAV平台。DDCNv4增强了几何适应性,BRAttention聚焦关键特征区域,DSConv抑制了计算冗余。ITC-VI的物理分离方法突破了传统AAVI的混合像素限制和OBIA(面向对象图像分析)依赖分割精度的瓶颈,通过DDB-YOLO的高质量掩膜实现了直接光谱纯化。ITC-VI曲线消除了AAVI中的平坦化和失真噪声,对物候参数提取更稳健,并能区分不同品系的冠层生理差异(如CATAS879可能具有较低的LAI),这些差异与光合能力及胶乳产量潜在相关。研究同时指出局限性:仅基于海南橡胶园RGB数据,未来需拓展至多区域、多树种及多源数据(如多光谱、LiDAR),并进行系统超参数敏感性分析。
**结论翻译**:本研究旨在解决复杂橡胶种植园环境中单木精确监测的挑战,成功开发并验证了一个整合先进深度学习模型与创新光谱分析策略的高效框架。所提出的DDB-YOLO模型通过融合DDCNv4、DSConv和BRAttention模块,在处理不规则形状和高重叠橡胶树冠方面表现出色,最终在Box mAP
50达到79.40%,Mask mAP
50达到79.30%。同时,DDB-YOLO的设计实现了卓越的计算和资源优化:参数量2.46M,FLOPs 9.66G,体现了显著的轻量化优势。基于DDB-YOLO提供的高精度分割掩膜,本研究提出了ITC-VI策略,该策略在精确提取的树冠像素区域内计算植被指数,有效消除了来自背景土壤、阴影和林下杂草的光谱干扰。该方法显著提高了植被指数对树冠健康和物候变化的敏感性,成功捕捉了橡胶树完整的落叶到再展叶周期,并清晰地区分了不同品种间的细微差异,这是传统AAVI方法无法实现的效果。DDB-YOLO和ITC-VI的联合应用提供了源自植被指数的单木级别生长信息,这些信息可指导管理实践,并与胶乳产量或质量密切相关。总体而言,该框架为橡胶树的精准监测、健康评估和管理提供了一条稳健的技术路径,支持育种、栽培和现代精准农业中的明智决策。