BiFormer增强的YOLOv11n用于制种大田玉米穗精确检测

《Agronomy》：BiFormer-Enhanced YOLOv11n for Accurate Maize Ear Detection in Seed Production Fields

　　

在收获期间准确识别玉米穗是制种玉米产业实现自动化作业和产量估算的前提。利用计算机视觉算法辅助制种玉米收割机实时调整作业状态，可显著提高收获质量。为解决主动收获过程中穗识别面临的挑战，例如个体穗尺寸差异大、田间环境复杂以及动态场景感知困难，研究人员提出了一种改进模型BiF-YOLO，以实现收获季节制种玉米穗的精确识别。该模型基于YOLOv11n模型和BiFormer架构。研究人员提出了三项针对性的优化策略：(1) 为增强对田间遮挡和小尺寸玉米穗的识别能力，在特征提取网络中嵌入C3k2_AdditiveBlock模块；(2) 为抑制识别过程中的背景干扰、聚焦玉米穗区域并减少漏检和误检，建立了跨阶段部分2瓶颈残差注意力（C2BRA）双层路由注意力机制；(3) 采用ShapeIoU损失函数，以提高模型对玉米穗自身形状特征的关注。研究人员从胶州和张掖的制种大田采集了玉米穗图像。实验结果验证了BiF-YOLO模型能够有效适应复杂的田间作业场景。

玉米是全球粮食安全的重要保障，中国是全球制种玉米的关键生产国和出口国。在制种玉米现代化精准农业发展中，由于制种玉米果穗颜色与周边环境高度相似，减少收获损失并准确获取不同田块的空间穗部信息是当前行业面临的关键挑战。目前，有关制种玉米产量和生长密度的数据多依赖人工测量，存在效率低、劳动强度大、误差率高的问题，难以满足现代精准农业的严格要求。基于深度学习的识别算法能够在收获作业中同步智能识别和计数玉米穗，提供相应区域玉米穗的数量和分布密度等关键数据，进而帮助优化收获策略，例如根据穗密度区域差异动态调整收割机作业状态，从而提高收获效率、降低损伤率。然而，现有研究大多侧重于特征提取，忽视了环境干扰的影响，当目标对象与周围环境颜色高度相似时，特征提取会严重受损。因此，迫切需要开发一种专用于复杂田间环境下玉米穗识别的模型。

该研究基于YOLOv11n模型和BiFormer架构，提出了改进模型BiF-YOLO。研究人员从甘肃张掖和山东胶州两个制种玉米基地采集图像，品种为“先玉335”，使用DingDingPai MINI7X相机拍摄，共获得1136幅图像，经数据增强后扩展到5444幅，按8:1:1比例划分训练集、验证集和测试集。模型通过三项针对性改进解决田间穗识别难题：其一，在特征提取网络中嵌入