摘要
玉米植株间的间距均匀性是评估播种质量、种子活力以及田间幼苗出苗稳定性的重要指标。然而，人工测量效率低下，且复杂的田间环境使得自动检测幼苗和测量植株间距变得十分困难。针对复杂田间条件下存在漏检、小目标检测精度不足以及植株间距计算误差较大的问题，本研究构建了包含693张玉米幼苗图像的高质量数据集，并对因雾霾或灰尘而受损的图像进行了预处理优化。研究提出了一种基于改进版YOLOv8的智能玉米幼苗检测与植株间距测量方法。该模型在网络结构中加入了全局注意力机制（GAM），以增强通道与空间之间的跨维度信息交互，降低背景干扰，从而减少漏检率；同时采用双向特征金字塔网络（BiFPN）替代原有的PAFPN，以实现更好的多尺度特征融合和深度语义表达。此外，还新增了一个160×160分辨率的高精度小目标检测层，显著提升了弱小幼苗的检测性能。实验结果表明，改进后的模型在精确度、召回率、mAP50值以及mAP50-95值方面分别达到了89.4%、90.3%、94.4%和49.4%，这些指标比原始YOLOv8模型高出2.6%、0.5%、1.5%和2.7个百分点，充分证明了该模型在复杂田间条件下的优异检测性能。基于检测结果，该模型还可实现自动计算植株间距——在所分析的数据集中，植株的平均间距为30.42厘米，与预设的32厘米播种间距相比，相对误差仅为4.93%。该方法能够高效完成田间幼苗识别、植株间距量化以及播种质量评估，为精准播种、播种机参数优化以及智能田间管理提供可靠的技术支持，对于推动粮食作物生产的智能化升级具有重要的意义。
