HGV-YOLO：一种基于水稻幼苗形态特征的漂浮苗与漏插检测方法

《Agronomy》：HGV-YOLO: A Detection Method for Floating Seedlings and Missed Transplanting Based on the Morphological Characteristics of Rice Seedlings Chunying Liang, Yuheng Chen, Jun Hu and Zheng Zhou

　　

移植状态是水稻栽培的重要指标，对田间管理、粮食安全和农业生产至关重要。然而，传统表征无法及时有效地检测移植状态；人工补苗劳动密集、成本高且效率低。本研究提出了一种漂浮苗和漏插的检测方法。该方法采用自建的改进型YOLO，即HGV-YOLO。研究人员利用HorBlock模块在YOLOv8n的骨干网络中实现水稻幼苗形态特征在不同维度的拆分，使网络进一步增强了水稻幼苗的分类和识别能力。此外，Grouped Spatial Convolution (GSConv)替代了普通卷积，VOV-GSCSP替代了C2f模块，减少了参数量并提高了模型的推理速度。为了提高模型的边界框精度，还引入了WIoU损失函数。最后，研究人员使用最小二乘法预测水稻幼苗的中心点。实验结果表明，HGV-YOLO实现了93.7%的精确率（Precision）、83.1%的召回率（Recall）和91.1%的mAP@0.5。与YOLOv8n相比，HGV-YOLO的Params减少了3.1%，GFLOPs减少了1.2%，同时mAP@0.5提高了2.3%。与YOLOv3-tiny、YOLOv5和YOLOv6相比，HGV-YOLO的mAP@0.5分别提高了4.6%、3.1%和2.8%。综上所述，HGV-YOLO模型表现出强劲的性能，为推进水稻插秧机器人的自主导航提供了有价值的见解。

论文解读：HGV-YOLO——基于形态特征的水稻漂浮苗与漏插检测新方法

研究背景与动机

水稻作为中国种植面积和产量第二大的粮食作物，其生产环节中的机械化移栽已逐渐普及，具有省时省力、效率高等优势。然而，在实际作业过程中，水稻插秧机常面临秧苗漂浮（floating seedlings）和漏插（missed transplanting）等问题，这不仅导致机械磨损，还造成田间生长不一致，影响最终产量。传统的检测手段主要依赖人工评估，存在主观性强、时效性差、劳动强度大且成本高等弊端。尽管深度学习结合无人机（UAV）遥感技术在农业监测中已成为主流，但在水稻幼苗漏插检测方面仍面临精度不足、泛化能力弱以及缺乏系统性整合的挑战。因此，开发一种高精度、高效率且适用于田间复杂环境的自动化检测方法，对于提升水稻插秧质量及后续田间管理具有重要的现实意义。该研究由Chunying Liang、Yuheng Chen、Jun Hu和Zheng Zhou共同完成，旨在解决上述问题，相关成果发表于《Agronomy》期刊。

关键技术方法

研究人员为开展此项研究，构建了基于无人机（DJI MAVIC 3T）的多光谱图像数据集，采集地点位于中国黑龙江省北大荒集团七星农场。数据采集后，通过对比度调整、添加椒盐噪声和亮度变化等手段将原始图像扩充至2607张，并按8:1:1的比例划分为训练集、验证集和测试集。在算法模型层面，研究基于YOLOv8n框架进行了多项改进：首先，引入HorBlock模块以增强网络对不同维度形态特征的提取能力；其次，采用Grouped Spatial Convolution (GSConv)替换标准卷积层，并利用VOV-GSCSP模块替代原有的C2f模块，旨在降低模型参数量（Params）和计算量（GFLOPs）；再次，选用WIoU损失函数优化边界框回归精度；最后，结合最小二乘法（Least Squares Method, LSM）对检测到的幼苗中心点进行拟合，以确定漏插位置。

研究结果

1. 数据采集与数据集构建

研究人员在中国黑龙江省七星农场利用无人机获取了移栽后5至10天的水稻幼苗图像，飞行高度与速度依据标准参数设定。通过对原始369张图像进行数据增强，最终形成包含2607张图像的数据集。数据集涵盖“合格”（qualified）、“漂浮”（floating）和“稀疏/漏插”（lack）三类幼苗标签，为模型训练提供了坚实的数据基础。

2. 模型性能评估

实验选取精确率（Precision）、召回率（Recall）、F1分数（F1-score）、参数量（Params）、浮点运算次数（GFLOPs）及平均精度均值（mAP）作为核心评价指标。结果显示，HGV-YOLO模型在测试集上的Precision达到93.7%，Recall为83.1%，mAP@0.5为91.1%。与基线模型YOLOv8n相比，改进后的模型Params降低了3.1%，GFLOPs减少了1.2%，且mAP@0.5提升了2.3%。相较于YOLOv3-tiny、YOLOv5和YOLOv6等主流模型，HGV-YOLO在mAP@0.5指标上也分别取得了4.6%、3.1%和2.8%的提升，证明了该模型在轻量化与检测精度上的双重优势。

3. 幼苗行拟合与漏插判定

针对漏插检测，研究人员利用最小二乘法对模型识别出的幼苗中心点进行线性拟合。通过计算拟合优度指标（如SSE、MSE和R²），验证了算法测量结果与人工测量结果的高度一致性。R²值越接近1，表明拟合方程对幼苗行位置的预测越准确，从而有效锁定漏插区域。

讨论与结论

研究结论指出，HGV-YOLO模型通过融合HorBlock、VOV-GSCSP和WIoU损失函数，成功解决了水稻幼苗因形态相似导致的识别困难及漏插检测精度低的问题。该模型不仅在分类识别上表现优异，还能通过拟合幼苗行中心线精准定位缺失位置。这一技术路径为后续补苗机器人的路径规划提供了可靠的技术支撑，有助于推动水稻移栽作业从机械化向智能化、无人化迈进。研究人员强调，该方法的推广应用将对保障国家粮食安全、提升农业生产效率产生积极影响。