CLR-YOLO：一种面向机械化移栽水稻秧苗的轻量化检测方法

《Agronomy》：CLR-YOLO: A Lightweight Detection Method for Mechanically Transplanted Rice Seedlings Lingling Zhai, Shengqiao Shi, Longfei Gao, Lijun Liu, Yuqing Zhu, Ming Wang and Yanli Li

　　

准确识别植株数量对于评估机械化水稻秧苗移栽效果至关重要，这直接影响精准农业中的产量估算和补苗决策。传统的人工计数方法耗时费力，阻碍了其在现代农业中的应用，后者对效率和精度要求极高。因此，本研究基于消费级无人机（UAV）采集的图像构建了数据集，并提出了一种基于YOLOv11n改进的轻量化检测模型CLR-YOLO（Complex-scene Lightweight Rice-detection YOLO）。该模型采用C3k2-PConv模块替代原有的C3k2模块，以在保持特征提取能力的同时提高计算效率。此外，利用异构选择性特征金字塔网络（HSFPN）重构颈部网络，以优化大目标和小目标的特征处理。最后，设计了PConvHead检测头，以增强特征利用效率，减少密集水稻秧苗场景中的误检和漏检。实验结果表明，CLR-YOLO实现了93.9%的平均精度（AP@0.5）。在保持相当精度的同时，该模型将参数量减少至1.4 M，计算成本降至3.7 GFLOPs，模型尺寸降至2.9 MB，相较于基线模型分别减少了46.2%、41.3%和44.2%。该模型为水稻秧苗检测提供了重要支持，并为农业生产者做出后续决策提供了有价值的见解。

该论文题为《CLR-YOLO: A Lightweight Detection Method for Mechanically Transplanted Rice Seedlings》，由Lingling Zhai, Shengqiao Shi, Longfei Gao, Lijun Liu, Yuqing Zhu, Ming Wang和Yanli Li共同撰写，发表于《Agronomy》期刊。论文针对机械化水稻移栽后秧苗准确计数的需求，指出传统人工方法效率低下，而现有深度学习模型计算复杂度高，难以适应田间轻量化部署的问题。研究人员通过在YOLOv11n基础上引入C3k2-PConv模块、异构选择性特征金字塔网络（HSFPN）及PConvHead检测头，构建了CLR-YOLO模型。实验证明，该模型在参数量、计算量和模型体积大幅缩减的情况下，仍保持了93.9%的AP@0.5高精度，为农业边缘计算设备部署提供了可行方案。

关键技术方法方面，研究人员首先在中国湖北荆州华农科技园区利用DJI Phantom 4消费级无人机在10米飞行高度采集了包含多种施肥处理的田间RGB图像，并使用ArcGIS Pro和AnyLabeling工具结合Segment Anything Model（SAM）辅助完成了数据标注与增强，构建了包含44,496个标注框的数据集。模型架构上，研究基于YOLOv11n进行改进：一是设计了C3k2-PConv模块，利用Partial Convolution（PConv）减少冗余计算；二是引入HSFPN重构颈部网络，通过Channel Attention（CA）和Selective Feature Fusion（SFF）模块优化多尺度特征融合；三是设计了PConvHead检测头，利用HeadStem模块降低计算开销。实验环境配置为Intel Xeon Platinum 8352V处理器与RTX 4090 D显卡，采用PyTorch 2.2.2框架进行训练与评估。

研究结果部分，首先进行了C3k2-PConv改进定位分析。通过比较仅在Backbone、仅在Neck以及全局网络中应用该模块的策略，发现全局优化策略（Strategy 3）表现最佳，在将GFLOPs降至3.7的同时，F1-Score达到89.1%，验证了该模块在不同网络阶段适应性良好且能有效抑制全局计算冗余。

其次，消融实验进一步量化了各模块贡献。结果显示，单独引入C3k2-PConv使参数量和GFLOPs分别降低了15.4%和12.7%；加入HSFPN后，参数量降至1.8 M，模型尺寸压缩至3.8 MB；采用PConvHead则使GFLOPs降低了20.6%。最终集成的CLR-YOLO模型在保持检测精度的前提下，实现了参数的大幅压缩，其参数、计算复杂度和模型权重大小分别为1.4 M、3.7 G和2.9 MB，较基线模型降幅显著。

在与主流检测模型的对比中，CLR-YOLO展现了显著优势。相比于非YOLO系列的Faster R-CNN、TOOD及RTDETR等模型，CLR-YOLO在保持相近甚至更高精度（F1-Score 89.1%，AP@0.5 93.9%）的同时，资源消耗极低，例如其参数量仅为RTDETR的约1/22。在YOLO系列内部对比中，CLR-YOLO同样表现出色，其模型尺寸仅2.9 MB，为所有对比模型中最小，充分满足了实际农业应用场景对轻量化的严苛要求。

可视化分析结果则直观展示了模型的鲁棒性。在清晰目标、多尺度目标、风致模糊目标以及物体重叠四种典型田间场景下，CLR-YOLO均能实现高精度的定位与识别。特别是在多尺度目标场景中，HSFPN的有效性得到了验证；在密集重叠区域，模型也能有效分离个体实例，减少因遮挡造成的漏检。

讨论部分指出，尽管近期已有研究如YOLO-Rice和Li-YOLOv9在水稻检测方面取得进展，但CLR-YOLO在轻量化设计上具有明显优势，其参数量仅为1.4 M，远优于对比模型。性能变异分析表明，在模糊场景下，由于无人机振动和风力导致的运动模糊会致使边缘特征严重退化，从而导致少量漏检；在重叠案例中，叶片高度交错会导致边界框回归精度轻微下降。针对这些局限，未来的工作将探索利用连续视频帧时空注意力机制、混合强化学习（HRL）框架来调整无人机飞行参数，并致力于提升模型在不同生长阶段和水稻品种间的泛化能力以及在各类边缘硬件平台上的部署效率。

结论部分总结道，研究人员提出的CLR-YOLO是一种基于改进YOLOv11n架构的轻量化目标检测模型，旨在解决机器移栽栽培中复杂的水稻秧苗识别挑战。通过集成C3k2-PConv模块、HSFPN和PConvHead检测头，该方法在保持与基线模型相当精度的同时，显著降低了模型参数、计算成本和存储占用。具体而言，CLR-YOLO实现了93.9%的AP@0.5，模型尺寸从5.2 MB缩减至2.9 MB，参数量从2.6 M降至1.4 M，计算成本从6.3 GFLOPs降至3.7 GFLOPs，更好地满足了轻量化部署的需求。该模型为早期出苗率监测和自主补苗决策提供了数据支持，减少了对人工作业调查的依赖，并为深度学习集成到自动化农业机械中提供了技术支持。此外，CLR-YOLO的轻量化特性使其也适用于其他基于视觉的作物种植任务，如小麦、玉米或大豆幼苗的检测，为可持续水稻生产的数字化转型贡献了一个高效且可部署的解决方案。