基于TS-YOLO与随机森林的玉米果穗质量预测方法

《Agriculture》：A Corn Ear Mass Prediction Method Based on TS-YOLO and Random Forest

　　

玉米果穗质量的准确估计是智能收获的重要组成部分。为实现大规模玉米果穗的自动化质量测量，本研究开发了一个双视角预测平台，并提出了一种基于TS-YOLO和随机森林（Random Forest）的玉米果穗质量预测方法。首先，以YOLOv11n-seg为基线网络，研究人员开发了一种轻量级TS-YOLO实例分割模型用于提取形态特征。通过引入MStarnet多尺度特征提取结构、LSKA注意力机制和LADH检测头，该模型增强了对玉米果穗及受损区域的特征表示能力，同时降低了模型复杂度。与基线模型相比，TS-YOLO的参数数量和计算成本分别降低了15.04%和11.76%，并达到了0.959的mAP@.5。随后，研究人员将形态特征与玉米品种和水分含量信息整合，建立了随机森林回归模型。随机森林模型的R²为0.894，相应的RMSE和MAE分别为18.19 g和13.97 g。在不同玉米品种和水分水平下，平均预测误差为3.86%，表明该方法在不同样本条件下具有一致且可靠的表现。所提出的方法能够实现自动化玉米果穗质量估计，并为智能玉米果穗检测提供支持。

玉米在全球农业生产中占有重要地位，其生产、加工和流通过程正逐步向数字化和智能化方向发展。玉米果穗质量是反映果穗生长状况的重要参数，快速获取该参数对质量评价和自动分级具有重要意义。目前常用的称重法中，批量称重虽能获得批次总质量，却无法表征个体差异；人工逐穗称重则劳动密集、效率低下，难以适用于动态输送条件下的大规模检测。已有视觉测重研究多依赖RGB-D相机、三维扫描或多视角重建，系统复杂且难以满足连续输送下的实时在线需求，同时缺乏对动态过程中个体跟踪与多视角信息关联的考虑。为此，本研究开发了基于双视角机器视觉的玉米果穗质量预测平台，并提出TS-YOLO与随机森林（Random Forest）相结合的预测框架。

研究人员构建了上下双视角图像采集平台，以YOLOv11n-seg为基线开发轻量级TS-YOLO实例分割（instance segmentation）模型，用于提取果穗轮廓和籽粒缺失区域。随后将双视角形态特征与品种、水分含量整合，输入随机森林回归模型实现单穗质量预测。结果显示，TS-YOLO的mAP@.5达0.959，参数和计算量分别较基线降低15.04%和11.76%；随机森林模型获得决定系数R²为0.894，均方根误差（RMSE）为18.19 g，平均绝对误差（MAE）为13.97 g，不同品种和水分条件下平均预测误差为3.86%。该系统在连续输送条件下实现了自动化果穗质量估计，无需在线逐穗称重，为智能果穗检测提供了低成本、高精度的可行方案。

关键技术方法方面，研究人员从中国吉林省长春市采集惠民207、乐盈635和先玉335三个玉米品种，于2025年9—10月取样，并为每品种设置四个水分水平（20±2%、24±2%、28±2%、32±2%）。使用透明传送带上下方工业相机同步采集图像，以Labelme标注并用亮度变换和模糊增强扩充数据。TS-YOLO基于YOLOv11n-seg改进，引入MStarnet多尺度结构、SPPF-LSKA注意力和LADH检测头；采用BOT-SORT多目标跟踪和虚拟触发线实现上下视角同一果穗匹配。提取投影面积、长宽比和籽粒缺失率等形态特征，结合品种和水分含量，输入随机森林回归模型预测质量。

研究结果如下：

3.1 实验环境

实验在配备Intel i7-14700HX处理器和NVIDIA RTX 4070 GPU的计算机上进行，使用PyTorch 1.10.0、CUDA 11.1和CUDNN 8.0。输入图像尺寸为640×640，批量大小4，最大训练轮数300，采用随机梯度下降（SGD）优化器和余弦退火学习率调整。

3.2 玉米形态特征提取实验

3.2.1 评价指标

采用精确率（precision）、召回率（recall）、平均精度均值（mAP）、参数量和GFLOPS五个指标，综合评价模型检测性能与计算复杂度。

3.2.2 消融实验

通过逐一和组合引入MStarnet、SPPF-LSKA和LADH模块，研究人员发现三个模块具有互补作用：MStarnet提取多尺度特征，SPPF-LSKA增强关键特征判别，LADH实现效率优化。最终TS-YOLO取得mAP@.5为0.959，精确率0.936，召回率0.922，参数量2.412 M，计算量9.0 GFLOPs，验证了改进策略的有效性。

3.2.3 对比实验

与YOLOv8n-seg、YOLOv11n-seg和YOLOv12n-seg相比，TS-YOLO将mAP@.5从0.950提升至0.959，参数量减少15.04%，GFLOPs减少11.76%，模型大小从5.8 MB降至5.1 MB；推理速度达104.1 FPS，单帧延迟9.12 ms，兼顾精度与轻量化，适合边缘部署。可视化结果表明其能准确分割果穗轮廓和籽粒缺失区域。

3.3 玉米果穗质量预测算法训练结果

以品种信息、水分含量、投影面积、长宽比和籽粒缺失率为输入，随机森林模型在训练集和验证集上取得R²为0.894，RMSE为18.19 g，MAE为13.97 g。与支持向量机（SVM）、多层感知机（MLP）、岭回归和径向基函数网络（RBF）相比，随机森林模型R²最高、误差最小，表现出更强的非线性建模能力。

3.4 玉米果穗质量预测系统整体性能评价

在模拟连续作业平台上，传送带速度在0.45–0.55 m/s间变化，系统累加单穗预测质量并与批次实测总质量比较，平均相对偏差为3.86%。误差主要来源于果穗相互遮挡和运动模糊。遮挡组与非遮挡组对比显示，部分遮挡使R²从0.895降至0.868，RMSE从18.16 g升至20.31 g，MAE从13.95 g升至16.18 g，表明遮挡对预测精度有一定不利影响。

讨论部分指出四点局限：第一，模型虽轻量，但边缘设备上的实际推理性能尚需在NVIDIA Jetson等平台验证；第二，训练数据仅涵盖东北三个品种，泛化性有待扩展数据集；第三，与三维视觉方法相比，本方法硬件简单，但三维方法能提供更完整空间信息，需在系统复杂度与精度间权衡；第四，果穗在传送带上的旋转和倾斜可能改变二维投影特征，未来需探索姿态归一化或多视角特征补偿。

研究结论可归纳为：（1）开发了双视角机器视觉平台和轻量级TS-YOLO实例分割模型，其掩膜mAP@.5达0.959，参数量和GFLOPs分别较YOLOv11n-seg减少15.04%和11.76%，结合多目标跟踪和双视角关联实现了形态特征连续提取与融合。（2）建立了基于随机森林的预测模型，融合双视角形态特征与品种、水分信息，获得R²为0.894、RMSE为18.19 g、MAE为13.97 g，可预测不同品种和水分条件下的单穗质量。（3）系统在连续动态输送条件下通过累加预测质量得到批次总质量，平均相对误差为3.86%，证明无需在线称重即可实现自动化果穗质量估计。