《Frontiers in Plant Science》：Detection of tobacco seedlings in plastic-mulched fields using vegetation indices and YOLOv11
编辑推荐：
摘要：机械移栽过程中或移栽后短期内可能出现漏栽、倒伏苗和弱苗，因此及时进行移栽后检查至关重要。烟草移栽后广泛采用地膜覆盖以改善早期生长条件。然而，地膜遮挡及膜面反射使地膜覆盖烟田中的烟草幼苗检测更具挑战性。本研究利用无人机（UAV）采集地膜覆盖烟田的多光谱图像
摘要：机械移栽过程中或移栽后短期内可能出现漏栽、倒伏苗和弱苗，因此及时进行移栽后检查至关重要。烟草移栽后广泛采用地膜覆盖以改善早期生长条件。然而，地膜遮挡及膜面反射使地膜覆盖烟田中的烟草幼苗检测更具挑战性。本研究利用无人机（UAV）采集地膜覆盖烟田的多光谱图像，计算归一化差值植被指数（NDVI）、绿色归一化差值植被指数（GNDVI）和优化土壤调节植被指数（OSAVI），并以不同组合方式赋值于RGB通道，构建了9种候选输入配置，包括6种多指数通道赋值方案和3种单指数配置方案。筛选结果表明，GNDVI-OSAVI-NDVI通道配置使YOLOv11在9种输入配置中取得了最佳的检测性能综合平衡，其精确率、F1分数和mAP@0.5均为最高。基于该最优输入策略，研究人员进一步引入深度可分离卷积（DWSConv）和并行块感知注意力（PPA），所得模型称为YOLOv11-PD。消融实验表明，PPA提升了主要检测指标，而DWSConv减少了参数量和推理延迟。YOLOv11-PD在检测精度与计算效率之间取得了良好平衡，在所有评估模型中取得了最高的召回率、F1分数和mAP@0.5，分别为83.9%、83.7%和0.876，同时保持了83.5%的精确率。这些结果为地膜覆盖条件下烟草幼苗的早期检测、移栽质量评估及缺苗补栽决策提供了技术支持。
以下是根据论文主体内容撰写的解读文章：
**一、研究背景与问题提出**
烟草移栽机械化在当代烟草生产中日益普及，现代移栽机通过合理的机器配置与操作能够提高劳动效率，并保证相对均匀的株距和移栽深度。然而，田间作业可能受到土地平整度不均、土壤黏重以及幼苗质量差异等因素的影响，导致漏栽、缺苗、倒伏苗等移栽问题。若这些问题在移栽后未被及时发现与识别，可能会错过补栽和后续管理的最佳时间窗口。传统的人工田间巡检方式覆盖范围有限、效率低且主观性较强，难以满足大规模种植精准管理的需求，因此亟需一种快速客观的移栽后幼苗状态监测方法。
已有的研究表明，无人机（UAV）结合YOLO系列目标检测模型能够有效支持烟草种植信息提取和移栽质量评估。然而，现有研究多依赖于移栽后约1个月莲座期的高分辨率RGB图像，此时烟株冠层较为发育，植株特征在RGB图像中清晰可辨。但这一时间节点对烟草生产中的幼苗检查和补栽而言相对较晚，降低了结果对及时补栽和纠正移栽问题的实用价值。若能在移栽后1–2周内开展检测，则可识别缺苗和异常移栽结果，支持早期纠正措施。然而，该时期烟草幼苗体积小，部分幼苗仍可能被地膜覆盖，RGB图像受地膜遮挡、膜面光谱反射及纹理模式干扰等因素影响，难以可靠地捕获植株特征。
当RGB图像无法可靠捕捉地膜覆盖烟田中的烟草幼苗特征时，多光谱图像可提供近红外等额外波段的补充光谱信息。由这些波段衍生的植被指数图层能够增强幼苗区域的植被信号，提高幼苗与地膜、土壤和栽植孔等背景之间的对比度，为目标检测模型提供更具判别力的特征。尽管多光谱信息和植被指数图层在作物识别和幼苗监测中已显示出价值，但在地膜覆盖烟田移栽后早期阶段，将多个植被指数映射至输入通道的策略及其对检测性能的影响仍缺乏系统研究。
**二、研究内容与主要结论**
针对上述问题，这项发表于《Frontiers in Plant Science》的研究建立了涵盖无人机多光谱图像采集与预处理、植被指数计算与通道映射筛选、基于YOLOv11的模型训练与结构改进以及模型性能评估的完整工作流程。研究在河南省洛阳市宜阳县三乡镇罗夫沟试验田开展，试验面积为约1公顷，供试烟草品种为NC89。研究人员利用搭载多光谱相机的DJI Mavic 3M无人机，于2024年4月25日至5月7日期间每4天进行一次航测，共获得4次采集事件、1620幅有效原始图像。多光谱相机采集绿、红、红边和近红外四个波段。原始影像经过波段配准、基于元数据的辐射归一化后，进一步采用暗目标减法（DOS）进行简化的大气校正，最终得到相对反射率数据。
**三、主要关键技术方法**
研究涉及的核心技术方法包括：（1）基于无人机平台的多光谱图像采集系统，获取地膜覆盖烟田移栽后早期烟草幼苗的多光谱影像；（2）计算归一化差值植被指数（Normalized Difference Vegetation Index, NDVI）、绿色归一化差值植被指数（Green Normalized Difference Vegetation Index, GNDVI）和优化土壤调节植被指数（Optimized Soil-Adjusted Vegetation Index, OSAVI）三种植被指数，并按不同顺序将三者赋值到RGB通道，构建9种输入方案（包括6种三指数组合方案和3种单指数重复方案）；（3）以YOLOv11n为基线模型进行通道映射方案筛选，并在最优输入基础上，引入深度可分离卷积（Depthwise Separable Convolution, DWSConv）和并行块感知注意力（Parallelized Patch-aware Attention, PPA），构建改进模型YOLOv11-PD；（4）采用精确率、召回率、F1分数、mAP@0.5、mAP@0.5:0.95、参数量和平均推理延迟等指标综合评价模型性能。数据集按8:1:1划分为训练集、验证集和测试集，包含1296幅、162幅和162幅原始图像，目标类别分为正常烟草幼苗和异常移栽结果两类。
**四、研究结果**
**1. 植被指数通道映射策略的筛选结果**
研究将9种植被指数通道映射方案均使用基线YOLOv11模型在相同实验条件下训练100轮。所有方案的边界框回归损失和分布焦点损失（DFL）均在训练早期快速下降，约60轮后趋于稳定。各方案在收敛性方面差异不大，但收敛速率存在差异。在检测性能方面，GNDVI-OSAVI-NDVI方案取得了最高的精确率（78.0%）、F1分数（79.0%）和mAP@0.5（0.828），其召回率达到80.1%，在9种方案中排名第二。研究发现植被指数在RGB通道中的赋值顺序会影响模型对植被指数信息的利用效率，GNDVI-OSAVI-NDVI方案在精确率与召回率之间取得了最佳平衡。
**2. 消融实验与模块性能分析**
基于最优的GNDVI-OSAVI-NDVI输入配置，研究人员在YOLOv11中分别引入DWSConv和PPA，并组合两者构建YOLOv11-PD，进行200轮训练的消融实验。结果显示，基线YOLOv11的精确率为83.0%、召回率为79.1%、mAP@0.5为0.843。引入DWSConv使召回率从79.1%提升至83.1%，但精确率降至77.7%且F1分数为80.3%，而参数量从2.590 M降至2.005 M，延迟从16.446 ms降至13.548 ms，说明DWSConv的主要优势在于降低模型复杂度和提升推理效率，但削弱了误检抑制能力。引入PPA使精确率、召回率和mAP@0.5分别提升至84.2%、82.4%和0.863，但参数量增至5.444 M、延迟升至19.635 ms。两者组合的YOLOv11-PD取得了所有模型中最高的mAP@0.5（0.876）和F1分数（83.7%），召回率为83.9%，精确率为83.5%，同时参数量为4.176 M、延迟为15.084 ms，相较于YOLOv11-PPA在计算效率上有所改善。然而，各改进模型的mAP@0.5:0.95均低于基线的0.362，其中YOLOv11-PD为0.342，表明小目标检测中边界框偏移对IoU的敏感性和植被指数映射对精细纹理信息的削弱可能限制了严格定位阈值下的性能提升。
**3. 检测误差与特征响应可视化分析**
归一化混淆矩阵显示，各模型对正常幼苗的分类正确率均较高，基线YOLOv11为96%，而异常样本的正确分类率仅为63%。引入PPA后，异常样本正确分类率提升至85%，误分为正常幼苗的比例从31%降至14%，表明PPA显著改善了正常幼苗与异常移栽结果之间的区分能力。YOLOv11-PD的异常样本正确分类率为71%，较基线提升8个百分点，但未完全保持PPA单独使用时的提升幅度。各类别PR曲线进一步表明，模型间的差异主要体现在异常移栽结果类别上，在80%召回率下，YOLOv11-PD对异常类别的精确率达到62.3%，高于基线YOLOv11和YOLOv11-DWSConv；在90%召回率时，YOLOv11-PD仍保持39.7%的精确率。Grad-CAM可视化分析显示，YOLOv11-PD的激活区域集中在栽植孔及目标邻近区域，而在地膜纹理区域的大范围连续激活有所减少，这与该模型在高召回率下精确率下降较慢的表现相一致。
**五、讨论与结论**
研究通过系统的消融实验揭示了各改进模块的作用机制。DWSConv通过减少模型复杂度和推理延迟为实际田间快速巡检提供了计算效率支持，但其对误检抑制的削弱效应也提示轻量化设计需要与注意力机制配合使用。PPA通过多分支并行结构增强了模型对目标区域的特征表征能力，特别是在区分正常幼苗与地膜背景中的异常移栽结果方面发挥了关键作用。两者的组合YOLOv11-PD在检测性能与计算效率之间取得了较好的平衡，满足了田间快速巡检对模型精度和效率的双重需求。研究同时指出，mAP@0.5:0.95的下降表明当前改进在严格定位精度要求下仍存在局限，这为后续研究指明了方向。未来可通过纳入不同田块、品种、采集条件和移栽后时期的独立观测数据来进一步评估模型的泛化能力和运行稳健性。
综上所述，本研究提出的基于植被指数通道映射和YOLOv11-PD模型的检测方法，可有效应用于地膜覆盖烟田移栽后早期的烟草幼苗检测，为移栽质量评估、缺苗识别和补栽决策提供了技术支持。
