DualSlim-YOLO：一种基于无人机影像的花椰菜幼苗识别与生长评估的轻量级检测模型

《Agriculture》：DualSlim-YOLO: A Lightweight Detection Model Based on Unmanned Aerial Vehicle Imagery for Cauliflower Seedling Identification and Growth Assessment

　　

摘要翻译：花椰菜出苗率和幼苗生长是田间条件和品种潜力的关键指标。传统人工调查方法难以适用于多品种的连续动态监测。本研究将无人机（UAV）RGB影像与DualSlim-YOLO模型相结合，用于估算花椰菜出苗率并监测幼苗生长。该模型基于YOLOv11构建，引入了轻量级特征提取结构和优化后的检测尺度配置，在保持检测精度的同时降低了计算复杂度，从而提高了花椰菜幼苗检测效率。DualSlim-YOLO的精确率（P）、召回率（R）、F1分数、mAP@0.5和mAP@0.5:0.95分别达到95.35%、96.75%、96.05%、98.55%和86.65%。参数量减少了38.61%，推理速度提升了22.16%，表现出良好的轻量化性能。基于该模型，研究人员利用移栽后7、21和28天采集的171个花椰菜品种的无人机影像，进行了幼苗检测和出苗率估算。此外，研究人员提取了18个时间序列幼苗表型性状，从而实现了对多个花椰菜品种出苗动态和早期生长性能的综合定量评价。该方法可有效筛选出苗率高、出苗迅速且幼苗生长性能优异的花椰菜品种，为田间条件下高通量、非破坏性幼苗表型鉴定和早期种质筛选提供了技术支撑。

论文解读：

**一、研究背景与问题**

花椰菜（*Brassica oleracea* var. *botrytis*）是重要的十字花科蔬菜作物，幼苗期是其生长发育的关键阶段，直接影响后续植株发育和最终产量。出苗率和早期生长性能是评价幼苗状况和预测最终产量的重要指标。传统的人工调查依赖目视计数和主观评估，耗时费力且一致性差，难以满足多品种、大规模、连续动态监测的需求。随着遥感技术发展，无人机（UAV）影像已成为获取田间作物表型信息的重要数据源，但多光谱设备成本高、预处理复杂；RGB传感器价格低廉、处理流程简单，适合幼苗形态识别和出苗监测。然而，传统图像分析与机器学习方法易受杂草、裸土背景和光照变化等田间干扰影响，稳定性不足。深度学习虽能提升复杂场景下的识别能力，但主流模型参数多、计算量大、推理速度慢，限制了在规模化田间场景和边缘设备上的应用。因此，构建在保持检测精度的同时具有高效率、低计算复杂度的轻量级网络模型，成为农业视觉检测与表型监测的重要研究方向。

**二、研究内容与意义**

针对复杂田间条件下花椰菜幼苗识别、出苗率准确估算和幼苗生长多时相定量评价的难题，研究人员提出了一种集成轻量级检测与多时相表型分析的高通量花椰菜幼苗监测方法。该方法基于无人机RGB影像和DualSlim-YOLO模型，实现了多品种花椰菜幼苗的自动识别、计数、出苗率估算以及生长参数提取，为幼苗期种质资源早期筛选提供了定量依据。论文发表于《Agriculture》。

**三、主要关键技术方法**

研究人员在天津市西青区国家蔬菜产业技术体系花椰菜科技成果转化基地开展田间试验，种植171个花椰菜品种，于移栽后7、21、28天采集无人机RGB影像。使用DJI P4M无人机平台获取原始影像，经DJI Terra拼接生成数字正射影像图（DOM），并用ENVI裁剪得到21幅高质量DOM。将DOM按统一规则裁剪为640×640像素图像，共931张用于训练和评估，另选独立试验小区90张图像作为独立测试集。数据增强仅应用于训练集（水平、垂直、对角翻转），将训练样本从743张增至2972张。模型以YOLOv11为基线，通过引入MobileNetV4的UIBBlock模块替换骨干网络高维阶段的C3k2模块，并去除P5检测头、保留P3和P4双尺度检测头，构建DualSlim-YOLO。出苗率计算采用模型检测苗数除以实际移栽苗数；生长参数通过地面采样距离（GSD）将包围框像素尺寸转换为实际尺寸，估算株长、株宽和株幅面积。基于三个时相检测结果构建18个动态表型特征（9个出苗率动态参数和9个生长动态参数），经极差标准化后采用主成分分析（PCA）降维，依据方差贡献率加权计算综合评价值D，并利用逐步回归构建多元线性回归（MLR）模型S。

**四、研究结果**

**1. 幼苗检测结果**

通过对比Faster R-CNN、YOLOv8、YOLOv11和YOLOv12的性能，YOLOv11在召回率、F1分数和mAP@0.5:0.95上表现较优，被选为基线模型。消融实验表明，去除P5检测头使参数量从2.59 M降至1.85 M，计算量从6.44 GFLOPs降至5.85 GFLOPs，F1分数和mAP@0.5:0.95分别提升至95.93%和86.63%；进一步引入UIBBlock模块后，DualSlim-YOLO的P、R、F1分数、mAP@0.5和mAP@0.5:0.95分别达到95.35%、96.75%、96.05%、98.55%和86.65%，参数量降至1.59 M，计算量为5.51 GFLOPs，推理速度达68.63 FPS。在独立测试集上，模型各时相mAP均高于YOLOv11，表现出良好泛化能力。可视化对比显示，DualSlim-YOLO减少了漏检和误检。

**2. 计数性能评估**

选取20个花椰菜品种计算计数平均绝对误差（MAE_count）、计数均方根误差（RMSE_count）和出苗率平均绝对误差（MAE_ER）。在7、21、28天，DualSlim-YOLO的计数和出苗率估算误差均低于YOLOv11。7天时MAE_count为2.80株，RMSE_count为4.40株，MAE_ER为13.08个百分点，较基线分别降低0.95株、1.10株和4.89个百分点。

**3. 不同品种出苗率分析**

热力图显示模型高响应区域集中在幼苗冠层及边缘，能准确捕捉幼苗特征。171个品种在三个时相的出苗率差异明显：7天时品种间出苗速度差异大；21天整体出苗率显著上升；28天多数品种达到100%，少数仍较低。排名前20%和后20%品种的对比表明，前20%品种在21天已多数达到90%–100%出苗率并维持至28天，后20%品种最终出苗率低且品种间差异大。

**4. 动态苗期特征综合评价**

基于18个动态特征的相关性热图显示，出苗率指标与生长指标间存在较强相关。PCA提取前四个主成分（PCs），累计方差贡献率达91.57%。载荷图显示PC1代表早期出苗和生长优势，PC2主要反映整体出苗能力和过程，PC3和PC4反映出苗动态、早期生长表现及生长波动参数。各主成分从出苗能力、生长水平和稳定性三个维度表征苗期表型，据此计算D值并映射到0–100作为综合评分。

**5. 综合生长评价模型构建与品种筛选**

以D值为因变量，经逐步回归剔除E_decline和G_cv后构建MLR模型S。该模型可直接利用无人机检测批量提取的原始特征参数，快速输出品种综合幼苗生长评分。将综合排名前20%和后20%品种进行比较，前20%品种的GAUC集中在1200附近，后20%品种在400–700之间；前20%品种的G_rtotal主要在70–90，后20%在30–50，差异均极显著。动态生长曲线显示前20%品种在7、21、28天生长水平均高于后20%，28天平均冠层面积约2500，后20%多在1500–2000且品种间差异大。维恩图重叠分析表明，在出苗率和综合生长评价均排名前20%的品种仅有15份，后20%的品种中有18份在两方面均表现差，说明单一指标不能全面评价品种苗期综合性能。

**五、讨论与结论**

讨论部分指出，YOLOv11在不同光谱和图像质量下性能稳定性较好，适合作为基线。轻量化优化（引入UIBBlock、去除P5检测头）在保持检测性能的同时提高了推理速度，并增强了边缘设备部署潜力。多时相动态监测结合出苗率和生长参数，比单一维度分析更全面，能有效区分品种间苗期生长差异。E_decline和G_cv未纳入回归模型可能与指标间信息重叠有关，变量选择简化了模型并提高了解释性。研究仍存在局限：DualSlim-YOLO尚未在真实边缘计算平台部署，株幅面积基于矩形包围框仅为冠层大小的近似，未来可扩展至全生育期并引入田间实测验证。

结论部分翻译：本文提出了一种基于无人机影像和目标检测的花椰菜幼苗生长评价方法。将7、21、28天采集的无人机影像与DualSlim-YOLO模型相结合，实现了花椰菜幼苗自动识别、计数和苗期表型参数批量提取。DualSlim-YOLO在保持高检测精度的同时有效降低了模型复杂度并提高了推理效率，适用于花椰菜苗期无人机影像批量处理和快速幼苗识别。在出苗率估算方面，研究人员根据幼苗检测结果获取了不同品种在三个时相的幼苗数量，计算其出苗率和动态变化特征，实现了花椰菜出苗过程的快速、非破坏性、定量监测。在生长分析方面，研究人员结合无人机影像地面分辨率参数，提取并综合评价了不同品种的苗期生长参数，实现了不同花椰菜品种早期生长状态的动态监测。出苗与生长的交叉验证结果表明，单一出苗指标不能完全反映品种苗期综合表现，而整合多维表型特征能够更准确地评价早期生长潜力。该研究为花椰菜苗期精准监测、高通量表型分析和优良种质早期筛选提供了高效、非破坏性的技术支撑，也为十字花科蔬菜苗期智能化监测提供了参考。