MGS-SR-YOLO：面向非结构化棉田环境的棉花株高测量方法

《Smart Agricultural Technology》：MGS-SR-YOLO: A Cotton Plant Height Measurement Method for Unstructured Cotton-Field Environments

　　

准确获取棉花株高可为大规模生长评估提供参考，对分析局部生长变异性和异常生长具有重要意义。然而，在棉花育种和精准田间管理中，株高获取效率低下，人工测量易产生误差，且现有模型参数量较大，限制了其在田间嵌入式设备上的部署。此外，棉花叶片遮挡和复杂背景干扰可能导致关键目标特征丢失，使得测量标杆（surveying staff）和刻度标识难以识别与分割。为解决上述问题，本研究提出了一种面向局部定点连续监测的轻量级标杆分割算法MGS-SR-YOLO。该算法采用MobileNetV4-Small作为骨干网络以降低模型参数量；在颈部网络中引入GSConv（Group Shuffle Convolution，分组混洗卷积）轻量级卷积和Sim-VoV-GSCSP模块，在降低模型复杂度的同时提升遮挡条件下的目标分割能力；进一步构建了基于可学习子像素卷积的上采样模块SRUp（Super-Resolution Upsampling），替代静态上采样并保留目标边缘细节；最后结合HSV（Hue-Saturation-Value，色调-饱和度-明度）颜色统计滤波与几何差分方法提取冠层基线并估算棉花株高。与YOLOv11n-seg相比，MGS-SR-YOLO在参数量、计算成本和模型大小分别降低38.0%、48.4%和38.5%的同时，Box mAP₅₀和Mask mAP₅₀分别提高4.4%和10.2%。在田间测量中，平均绝对误差（MAE）和均方根误差（RMSE）分别为5.35 cm和5.50 cm，其中RMSE较基线降低15.4%。所提方法在降低计算负荷的同时，支持复杂非结构化环境下的自动化株高估计。

棉花株高是反映作物生长活力、预测产量和指导化学调控的关键农艺参数（agronomic parameter）。在大规模种植中，株高数据的动态获取对实时评估棉花生长速率、预测倒伏风险和制定精准田间管理决策具有重要作用。随着智慧农业和无人农场的加速发展，高通量、细粒度田间表型信息的快速获取已成为制约智能作物生长监测效率的重要因素。然而，当前田间株高测量仍主要依赖手持标尺逐株人工测量，存在劳动强度大、效率低、人为读数误差大、易损伤植株及数据覆盖度有限等问题，无法满足现代农业对田间表型信息快速获取的需求，制约了无人农场的发展。尽管无人机遥感在大面积棉田监测中展现出潜力，但由于飞行角度和高度等环境因素的影响，其结果通常更倾向于冠层或小区尺度的宏观表征，可能忽略局部区域的细株高变化及异常信息。棉花病虫害和局部生长异常常常首先发生在有限空间范围内，再向更大区域扩展。仅依靠人工逐株测量或无人机宏观监测，难以实时捕捉局部定点的细微变化。定点高频观测更有利于分析局部株高的动态趋势，为异常生长的早期识别提供依据。

为此，研究人员提出了一种低成本、定点、高频连续观测的技术路线，作为监测局部株高趋势和早期识别局部异常生长的补充途径。与无人机和激光雷达方法相比，基于参考标杆辅助的相机测量方法成本更低、更适合部署，可实现局部与全局棉花信息的互补采集。

近年来，基于计算机视觉的非接触测量技术逐渐成为研究热点，主要包括双目立体视觉、RGB-D深度相机以及利用参考物的单目视觉方法。双目立体视觉和RGB-D深度相机可直接获取三维结构信息，在冠层结构和株高估计中具有优势，但在强光、遮挡和田间设备成本约束等条件下，工程实现仍较困难。相比之下，单目视觉配合参考物的方法通过引入已知尺寸的参考标尺将像素尺度映射到真实尺度，系统结构更简单、成本更低，更适合在农业物联网节点大规模部署。

现有单目参考物方法往往依赖参数规模较大的骨干网络以保证特征表示能力，导致模型参数量高，不利于边缘设备部署。同时，在强光照、地膜反射和叶片遮挡等非结构化干扰下，参考标尺边界的微小偏差可能通过像素-物理尺度映射关系被放大为测量误差。因此，有必要在轻量化的约束下提升对标尺和刻度信息的细分割能力。

本研究的核心目标正是解决标准测量标杆刻度标识检测不佳以及复杂网络模型难以在边缘设备部署的问题。研究人员提出了基于YOLOv11n-seg改进的MGS-SR-YOLO算法，主要技术贡献包括四个方面：其一，针对局部动态监测需求，提出了低成本的自动化棉花株高测量方案；其二，采用轻量级MobileNetV4-Small骨干网络，并在颈部网络中使用GSConv轻量级模块和Sim-VoV-GSCSP模块替代原Conv模块和C3K2模块，在大幅降低参数和计算成本的同时提高模型精度；其三，引入无参数的SimAM（Simple Attention Module，简单注意力模块）注意力机制以增强小目标识别与分割能力，同时构建基于子像素卷积的可学习SRUp上采样模块替代最近邻插值的静态上采样模块，减少目标边缘锯齿效应；其四，提出基于参考标杆的几何差分测量模型，通过HSV颜色空间域的Top-K颜色统计滤波策略提取棉花视觉冠层基线，解决非结构化棉田中植株基部被遮挡导致的测高困难。

研究所用数据集为研究人员自行构建的棉田标杆分割数据集，采集于新疆维吾尔自治区昌吉回族自治州某棉花种植示范基地，数据采集时段主要为2-3月及6-8月棉花关键生育期，使用荣耀Magic5 Pro手机在不同光照强度下拍摄，并在标杆周围约180度范围内多角度拍摄以增强模型对目标尺度变化、视角变化和部分遮挡的适应性。数据集共1,355张原始图像，使用LabelMe工具标注，分为E、1/2E和ruler三类，按8:1:1随机划分为训练集、验证集和测试集。

模型训练基于Ubuntu 20.04操作系统，Intel Xeon E5-2680 v4 @ 2.40 GHz处理器和NVIDIA GeForce RTX 4090 GPU，软件环境为Python 3.11.8，PyTorch 2.2.2配合CUDA 11.6。使用SGD优化器，初始学习率0.01，动量因子0.937，权重衰减系数0.0005，批次大小20，输入图像尺寸归一化为640×640，训练300轮。

研究人员首先开展了完整的2⁴全因子消融实验，包括16种组合。结果显示，与基线YOLOv11n-seg相比，最终模型参数量和GFLOPs分别降低38.0%和48.4%，模型大小减小38.5%，Box mAP₅₀和Mask mAP₅₀分别提高4.4%和10.2%。各项改进模块的单独贡献为：MobileNetV4-Small骨干主要贡献于骨干轻量化，单独使用时参数量降低18.3%；GSConv模块使参数量降低32.7%、GFLOPs降低46.4%、Mask mAP₅₀提高4.3%；Sim-VoV-GSCSP模块使参数量降低35.6%、GFLOPs降低48.4%、Mask mAP₅₀提高8.8%；SRUp模块单独使用时Mask mAP₅₀提高3.8%。组合实验表明M、G、S模块具有良好的互补性，能恢复并提高轻量化骨干造成的精度损失，而SRUp的效果与前置特征组织和融合方式相关。

为验证GSConv模块的有效性，研究人员构建了包含320幅遮挡比例30%-70%图像的遮挡子集。结果显示，GSConv在遮挡背景下将刻度召回率提升至91.5%，背景误检率降低至9.8%，特征冗余率从标准卷积的68.3%降至29.7%。通道混洗机制的引入使Box mAP₅₀提升至0.931，Mask mAP₅₀提升至0.793，通道激活方差从0.861降至0.31，表明混洗机制增强了跨分支信息交互。

SimAM无参数注意力机制的验证实验显示，引入SimAM后遮挡召回率提高至91.7%，背景误检率降至7.6%，假阳性样本从47个大幅减少至12个。Grad-CAM可视化表明，SimAM使高响应区域更集中于标杆本体和刻度区域，有效抑制了棉花叶片遮挡和背景杂乱的干扰。

不同上采样方法的对比实验中，SRUp在结构相似性指数（SSIM）达到0.916，空间平均偏差（SAD）仅0.94像素，边缘F1分数达到0.902，Boundary IoU达到0.838，表明SRUp能更平滑、连续地重建标杆边缘，减少阶梯状锯齿伪影，实现亚像素级边界定位。

模型对比实验涵盖YOLOv5n-seg、YOLOv8n、YOLOv8s、YOLOv11n、YOLOv11s、YOLOv12n、YOLOv12s、YOLOv26n、YOLOv26s、YOLACT、SOLOv2和MASK-RCNN等模型。MGS-SR-YOLO在参数量（1.76 M）、模型大小（6.67 MB）和计算复杂度（5.0 GFLOPs）均为最低的同时，Box mAP₅₀达94.6%，Mask mAP₅₀达83.8%。与YOLACT相比，虽然精度指标略低0.4%和12.5%，但参数量和模型大小均降低96.5%，轻量化优势更为显著。

株高测量精度分析中，研究人员对K值进行了系统验证，比较了K=10、20、30、40、50时的冠层基线定位误差、株高MAE和RMSE。当K=30时获得最佳平衡，冠层定位误差1.86 cm，株高MAE为5.35 cm，RMSE为5.50 cm。与基线模型（MAE 5.41 cm，RMSE 6.50 cm）相比，MGS-SR-YOLO的RMSE降低15.4%，残差分布更集中于零参考线附近，表明改进模型能有效抑制由模型分割不稳定引起的测量偏差。线性回归分析显示，MGS-SR-YOLO的回归拟合线更接近y=x参考线，散点分布更集中，拟合一致性和预测可靠性更好。

讨论部分指出，MGS-SR-YOLO的优势并非源于单一模块，而是源于面向特定任务需求的协同设计。轻量化骨干、特征传输模块、特征融合模块和上采样模块在不同阶段共同作用，影响最终分割质量和测量性能。该方法并非旨在替代无人机遥感或LiDAR三维建模，而是为局部、定点、高频连续观测场景提供补充解决方案。基于HSV颜色空间的绿色区域提取策略避免了复杂场景下逐叶标注的高成本和低一致性，在不同叶形和背景干扰条件下能相对稳定地提取株高测量所需关键区域。研究局限性在于数据集覆盖的典型场景虽有代表性，但仍有待进一步扩展不同生态区域、品种和更长时跨度的样本多样性，且轻量化设计在极端光照和严重遮挡等更具挑战条件下的特征表示仍有提升空间。

研究结论部分表明，为满足复杂棉田环境中局部定点株高监测需求，研究人员提出了基于MGS-SR-YOLO算法的自动化棉花株高测量模型。通过联合集成MobileNetV4-Small、GSConv和Sim-VoV-GSCSP构建轻量化特征提取与融合框架；SRUp上采样模块改善了低分辨率高层语义特征向高分辨率空间域映射时的细节恢复能力，有效补偿了轻量化网络中重复下采样造成的细粒度特征损失；针对棉花生长过程中植株形态多变、叶片分布复杂的特点，引入基于HSV颜色空间的绿色区域提取策略，通过颜色特征的精细建模实现了不同生理条件下叶片区域的有效分割，一定程度上解决了叶形变异和背景干扰导致的生长点定位困难。实验结果表明，与原始模型相比，MGS-SR-YOLO的Mask mAP₅₀提高10.2%，株高测量均方根误差降至5.50 cm，较原始模型降低15.4%，有效抑制了由定位模糊引起的大测量偏差，为棉花生长状态的智能监测提供了自动化测量解决方案。