WheatNet:面向复杂田间密集小麦幼苗的轻量化检测与计数网络

《Smart Agricultural Technology》:WheatNet: A lightweight network for wheat seedling detection and counting in complex fields

【字体: 大 中 小 】 时间:2026年10月21日 来源:Smart Agricultural Technology 7.1

编辑推荐:

  基于YOLO11n的框架用于复杂田间密集小麦幼苗检测与计数;门控增强视觉RWKV(GE-VRWKV)与旋转增强区域注意力(REAA)增强小幼苗及方向性叶片表征;联合Wise-IoU(WIoU)与归一化Wasserstein距离(NWD)损失(WIoU-NWD)

  
基于YOLO11n的框架用于复杂田间密集小麦幼苗检测与计数;门控增强视觉RWKV(GE-VRWKV)与旋转增强区域注意力(REAA)增强小幼苗及方向性叶片表征;联合Wise-IoU(WIoU)与归一化Wasserstein距离(NWD)损失(WIoU-NWD)提升小幼苗边界框定位稳定性;WheatNet以3.83 M参数量实现92.70%的mAP@0.5(交并比阈值为0.50的平均精度均值)和0.972的平均绝对误差(MAE);P4-held-out测试支持向留出站点的跨站点泛化。
研究背景与问题:小麦生产在粮食安全中居核心地位,成功建苗影响分蘖发育、穗形成和最终产量潜力;初始幼苗数是评价建苗质量、播种均匀性、群体建成和幼苗生长的重要表型指标,可用于补苗、追肥、冬灌和控制旺长等管理,也可反映育种材料出苗能力和苗期适应性。传统调查依赖人工计数,劳动量大、耗时较长、难以长期重复,尤其育种试验和规模田调难以快速、低成本、数字化获取表型。计算机视觉可自动检测和计数小麦幼苗,提高苗期调查效率,为精准田间管理提供数据。但小麦幼苗体积小、叶片细长且方向差异大,邻株频繁遮挡,个体边界难以准确区分,稳定检测和计数困难;现有研究多面向通用小目标检测或特定作物苗期识别,专门用于小麦初始幼苗计数的方法较少,存在专用数据集缺乏、细长且多方向叶片表征不足、小目标边界框回归不稳定、计数误差分析不足等问题。因此,研究人员构建WheatSC数据集并提出基于YOLO11n的轻量化检测器WheatNet,通过改进骨干、多尺度颈部和边界框回归目标,应对小株、细叶、多方向、密集分布和严重遮挡,改善复杂田间单株定位与计数,为苗期表型获取和精准管理提供方法支撑。

关键技术方法:研究人员采集河南新乡、濮阳和南阳P1—P4试验田两个小麦生长季1—3叶期图像,5000余幅候选图像经模糊、曝光异常及重复筛选后保留2895幅有效原图,按2026/580/289划分训练、验证和测试;P4站点300幅图像用于站点留出跨站点验证。以YOLO11n为基线,构建GE-VRWKV(门控增强视觉-RWKV)主干、REAA(旋转增强区域注意力)多尺度颈和WIoU-NWD(Wise-IoU与归一化Wasserstein距离)联合框回归损失;输入640×640,训练100轮,AdamW,初始学习率0.0005,批大小1;采用P、R、F1、mAP@0.5、mAP@0.5:0.95、MAE、MAPE、R2、参数量、GFLOPs和FPS评价。

研究结果:
4.1 实验设置与评价指标:研究人员在统一硬件软件和训练设置下训练测试,采用随机种子42、43、44独立训练三次并报告均值±标准差;以P、R、F1、mAP@0.5、mAP@0.5:0.95、MAE、MAPE、R2、Params、GFLOPs和FPS评价检测、计数、复杂度和效率,为后续比较提供统一评价框架。
4.2.1 不同骨干网络:仅更换骨干的实验显示,GE-VRWKV主干取得最佳检测结果,mAP@0.5为92.70%、mAP@0.5:0.95为82.82%,参数量3.83 M、GFLOPs 9.6;优于C3k2、MobileNetV3、EfficientNet-B0、ResNet50和VRWKV,表明GE-VRWKV以适中计算成本改善关键尺度特征表示。
4.2.2 注意力机制:仅更换颈部注意力的实验显示REAA最佳,较无注意力基线mAP@0.5和mAP@0.5:0.95分别提高1.47和1.88个百分点,仅增加0.10 M参数和0.2 GFLOPs;较CoordAtt分别提高0.54和0.77个百分点,表明方向性建模适合细长叶和重叠幼苗表征。
4.2.3 边界框回归损失:仅更换框回归损失的比较中,WIoU-NWD联合损失最佳,mAP@0.5 92.70%、mAP@0.5:0.95 82.82%;较单独WIoU提高0.86和1.59个百分点,较单独NWD提高0.62和1.16个百分点;权重敏感性表明α=0.5、β=0.5最优,说明WIoU与NWD互补并提升小框定位稳定性。
4.3 消融:分别加入GE-VRWKV、REAA和WIoU-NWD均带来正增益;单独加入分别使mAP@0.5提高1.29、0.81和1.16个百分点,WIoU-NWD不增加参数量和GFLOPs;完整WheatNet较YOLO11n的P、R、mAP@0.5、mAP@0.5:0.95分别提高4.35、4.36、3.98和4.86个百分点,表明三组件在特征提取、方向融合和框回归上互补。
4.4 与先进检测模型比较:与YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n、Gold-YOLO-N、Faster R-CNN和RT-DETR-N比较,WheatNet取得最高P、R、F1、mAP@0.5、mAP@0.5:0.95和最低MAE 0.972株/图;计数MAPE 8.59%、R2 0.893,较YOLO11n的MAE 1.093、MAPE 9.46%、R2 0.876改善;参数量3.83 M、9.6 GFLOPs、156 FPS,在精度、规模与速度间取得较好平衡。
4.5 可靠性与泛化分析:P4-held-out测试中WheatNet五项检测指标均优于YOLO11n且MAE更低,配对95%置信区间不含0;三个随机种子下各指标标准差均低于1个百分点,WheatNet均值更高且标准差更小;密度、遮挡、光照、背景、地点和季节亚组中性能总体下降,但WheatNet在各亚组均优于YOLO11n,表明所评价条件下具跨站点泛化和稳定性。
4.6 田间场景性能分析:代表性复杂田间图像比较显示WheatNet在重叠叶、边界不清和土壤杂乱区域可见误检、漏检和框偏移较少,计数接近真值;不同光照、背景、密度和遮挡示例与定量亚组趋势一致,表明复杂场景下检测定性表现较好。
4.7 移动应用部署:构建微信小程序原型,将WheatNet转换为ONNX并适配移动推理环境;iPhone 17 Pro初步测试单图约200 ms;原文说明该工程演示非系统部署基准,仅表明所评价设备与软件配置下快速推理可行性。

讨论总结:原文讨论认为GE-VRWKV通过关键尺度空间建模提升邻近幼苗和重叠叶片表示;REAA增强水平、垂直和对角叶片响应,利于降低方向变化导致的漏检误检;WIoU-NWD兼顾框重叠和分布相似性,稳定小目标定位并减少计数误差。局限包括内部测试为同域评价且站点跨子集重叠,P4单站点留出不能代表小麦种植区多样性,图像非独立生物重复,数据集主要为无杂草1—3叶期幼苗,重杂草条件未测试;未来需前瞻性外部数据跨区域、季节、品种、生育期及更复杂光照、杂草和遮挡条件验证,并开展移动与边缘设备系统部署测试。

研究结论翻译:本研究开发了WheatNet,用于1—3叶期和单株水平的小麦幼苗检测与计数;构建了WheatSC数据集,采集自多个地点和不同生长季的田间图像;WheatNet结合GE-VRWKV关键尺度特征提取、REAA多尺度融合方向特征增强和WIoU-NWD稳定小目标框回归。在WheatSC测试集上,P、R、mAP@0.5和mAP@0.5:0.95分别为95.22%、95.72%、92.70%和82.82%,两个mAP分别较YOLO11n提高3.98和4.86个百分点;MAE为0.972株/图,MAPE为8.59%,R2为0.893;模型参数量3.83 M,9.6 GFLOPs,测试平台推理速度156 FPS。内部评价、定量亚组分析、重复运行和P4-held-out实验在所评价条件下一致显示相对YOLO11n的优势;移动原型进一步表明在所评价设备上快速检测的可行性。未来工作将关注跨区域验证、更晚生育期、更严重遮挡以及移动和边缘设备的系统部署测试。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号