《Agronomy》：Research on a Precision Counting Method and Web Deployment for Natural-Form Bothriochloa ischaemum Spikes and Seeds Based on Object Detection
Huamin Zhao,
Yongzhuo Zhang,
Yabo Zheng,
Erkang Zeng,
Linjun Jiang,
Weiqi Yan,
Fangshan Xia and
Defang Xu
编辑推荐：
为解决白羊草（Bothriochloa ischaemum）穗部和籽粒在自然田间条件下因结构紧凑、籽粒微小导致人工计数效率低、劳动强度大的问题，本研究提出了一种非破坏性自动化量化框架，融合了改进的YOLOv12目标检测模型与回归分析。通过集成DySample动态上采样、ASFF特征融合、NWD损失和EVC视觉中心模块，优化后的YOLOv12-DAN模型在穗检测中达到91.6%的mAP，YOLOv12-EVC模型在籽粒检测中获得94.3%的mAP@50。基于132个穗样本构建的一元线性回归模型验证了预测籽粒数与实际值间的可靠一致性（MAE=6.30，MAPE=9.35%，R2=0.808）。最终，模型通过轻量级端到端Web应用部署，实现了田间实时操作，为饲草育种计划和农艺决策提供了高效、精准的技术支持，推动了自动化表型分析和精准饲草改良的发展。
在草原畜牧业和生态修复中，白羊草（Bothriochloa ischaemum）作为一种关键饲草物种，凭借其强大的放牧耐受性和高营养价值扮演着重要角色。然而，在育种和产量预测过程中，准确量化其穗数和单穗籽粒数是一项基础且繁琐的工作。传统方法需要人工收割、脱粒、清选并手动计数，耗时耗力，效率低下，尤其在穗部密集、籽粒微小且相互遮挡的自然田间条件下，人工计数的准确性和可重复性面临巨大挑战。随着深度学习与计算机视觉技术的飞速发展，目标检测算法为农业表型分析提供了新的解决方案，但针对白羊草这种特定作物的穗与籽粒自动化检测研究仍属空白。为此，研究人员在《Agronomy》上发表了这项研究，旨在开发一套集成先进目标检测与回归分析的自动化框架，实现白羊草穗与籽粒的非破坏性、高精度原位估算，并最终通过Web应用部署，服务于实际的育种和田间管理。
本研究采用了多项关键技术。首先，在山西农业大学的饲草研究站采集了白羊草穗部的田间图像和室内籽粒图像，构建了包含“成熟”与“未成熟”两类穗以及籽粒的数据集，并进行了数据增强。其次，针对穗部检测中存在的遮挡、背景复杂、小目标占比高等问题，在YOLOv12基线模型上进行了改进：引入了DySample（Dynamic Upsampling）动态上采样模块以提升对密集生长穗部的特征还原能力；采用ASFF（Adaptive Spatial Feature Fusion）检测头结构来缓解因遮挡导致的漏检；使用基于NWD（Normalized Wasserstein Distance）的损失函数以增强对小尺寸目标的识别能力，由此构建了YOLOv12-DAN模型。针对紧凑穗部上密集籽粒的检测，则在YOLOv12架构中集成了EVC（Explicit Visual Center）模块来增强多尺度特征表征，形成了YOLOv12-EVC模型。此外，研究还建立了预测籽粒数与真实籽粒数之间的一元线性回归模型，对检测结果进行校正。所有深度学习实验在配备NVIDIA RTX 4070 GPU的工作站上，使用PyCharm和PyTorch框架完成。
2.3. YOLOv12-DAN网络架构
本研究针对白羊草穗部图像中存在的相互遮挡、背景复杂密集、小目标占比高等挑战，以YOLOv12为基线模型进行了三方面改进，形成了YOLOv12-DAN模型。改进包括：用DySample动态上采样替换标准上采样，以提升对密集穗部的检测精度；将检测头改为ASFF结构，以减少因穗部遮挡造成的漏检；将损失函数改为基于NWD的损失，以改善数据集中小目标的识别效果。模型架构图展示了这些集成改动。
2.3.1. DySample上采样
YOLOv12使用的传统最近邻插值上采样灵活性有限。DySample在Neck阶段引入动态上采样，通过采样点生成器（SPG）和网格采样函数，结合静态和动态范围因子来调整采样点偏移，实现了自适应、动态的采样，在有限计算资源下保持了良好的性能，有助于恢复密集目标的特征细节。
2.4. 自适应空间特征融合（ASFF）
ASFF模块通过自适应学习空间权重，将来自不同特征金字塔层级（P3, P4, P5）的特征图进行加权融合。这使得模型能够自主决定在哪个尺度上对特定位置的特征给予更多关注，从而有效融合了浅层的细节信息和深层的语义信息，显著提升了对遮挡和尺度变化目标的检测能力。
2.5. 基于归一化瓦瑟斯坦距离（NWD）的损失函数
对于图像中占比很高的小尺寸白羊草穗，传统的基于IoU（Intersection over Union）的损失函数（如GIOU、CIOU）在边界框高度重叠或尺寸极小时会变得不稳定。NWD损失将边界框建模为二维高斯分布，然后计算两个分布之间的归一化瓦瑟斯坦距离（Wasserstein Distance）。这种度量方式对尺度变化不敏感，且在小目标边界框轻微偏移时也能提供平滑的梯度，极大改善了小目标检测的收敛性和最终精度。
2.6. YOLOv12-EVC网络架构
对于白羊草籽粒的检测，挑战在于籽粒在紧凑的穗上分布极为密集，且尺寸微小。研究在YOLOv12的基础上，在Neck部分集成了显式视觉中心（EVC）模块。EVC模块通过显式建模目标的视觉中心点，增强了对密集、小尺寸物体的特征表示能力，帮助网络更好地区分紧密相邻的籽粒。
3. 结果
3.1. 穗检测模型性能评估
消融实验证实，DySample、ASFF和NWD损失的引入均能提升模型性能，三者结合（YOLOv12-DAN）在测试集上达到了最佳效果：精确率（P）为89.8%，召回率（R）为86.7%，平均精度均值（mAP@50）为91.6%。与主流模型（Faster R-CNN, YOLOv5, YOLOv7, YOLOv8, 原始YOLOv12）相比，YOLOv12-DAN在mAP@50上表现最优，显著提升了密集小目标场景下的检测精度。
3.2. 籽粒计数模型性能评估
YOLOv12-EVC模型在籽粒检测任务中取得了优异性能：边界框精确率为96.5%，召回率为86.4%，mAP@50为94.3%，mAP@50-95为73.9%。mAP@50-95（在IoU阈值从0.5到0.95区间内计算的平均mAP）是评估小目标检测性能的严格指标，该结果证明了模型在多种重叠阈值下均具有良好的检测和定位能力。
3.3. 籽粒计数回归校正
基于132个穗样本，将YOLOv12-EVC模型预测的籽粒数与实验室人工脱粒获取的真实籽粒数进行一元线性回归分析。回归方程显示出良好的线性关系（y = 1.071x - 3.221，R2= 0.808）。校正后，预测误差的均值绝对误差（MAE）为6.30，均值绝对百分比误差（MAPE）为9.35%，表明自动计数结果与真实值高度一致，可用于实际产量估算。
3.4. Web应用部署与实时检测
将优化后的YOLOv12-DAN、YOLOv12-EVC模型及回归校正方程集成到一个轻量级、端到端的Web应用程序中。该应用支持用户通过移动设备在田间直接拍摄照片，并实时输出穗计数和校正后的籽粒计数。应用展示了实时检测能力，并可根据设备资源动态切换计算模式，平衡速度与精度，实现了从图像采集到结果输出的全流程自动化。
4. 结论与讨论
本研究成功开发了一个针对白羊草穗与籽粒的自动化、非破坏性精准计数框架。通过改进YOLOv12模型，引入DySample、ASFF、NWD和EVC等先进模块，有效解决了自然条件下穗部遮挡、背景复杂、目标微小密集带来的检测难题。穗检测模型（YOLOv12-DAN）和籽粒检测模型（YOLOv12-EVC）均达到了高精度和高召回率。进一步的回归分析建立了预测值与真实值之间的可靠映射，显著提升了籽粒计数的准确性。最终，通过Web应用部署，使该技术能够便捷地应用于田间实地，为育种工作者提供了一个高效、实用的工具。
这项研究的创新之处在于，首次将先进的目标检测与回归校正技术相结合，专门用于解决白羊草这类重要饲草作物的表型计数难题，形成了从数据采集、模型优化、误差校正到实际部署的完整技术闭环。它不仅极大提升了育种过程中表型数据获取的效率和精度，降低了人力成本，而且为其他类似作物（如小麦、小米等）的自动化表型分析提供了可借鉴的技术路径。该框架推动了精准农业和智慧育种的发展，对加速饲草品种改良、优化产量预测及促进生态恢复具有重要的实践意义和应用前景。
