小麦是全球种植面积最广的粮食作物之一，为全球约40%的人口提供食物。在中国，小麦是第二大粮食作物，对国家粮食安全和社会稳定至关重要。提高小麦产量一直是研究人员的主要关注点。分蘖是构成小麦产量的重要因素之一。传统上，通过人工观察来识别和计数小麦分蘖，这种方法不仅耗时，而且存在主观性，限制了农业科学研究和生产效率的提升。随着计算机视觉技术的快速发展，基于深度学习的目标检测算法在自动作物监测方法中越来越受到关注，显示出巨大的潜力。因此，结合深度学习算法开发一种快速、准确的小麦分蘖检测方法，以提升农业效率和精准度尤为重要。
近日，Smart Agricultural Technology在线发表了四川农业大学刘亚西教授团队题为“Research on detection of wheat tillers in natural environment based on YOLOv8-MRF”的研究论文。文章详细介绍了基于YOLOv8-MRF模型的小麦分蘖检测方法。
研究者提出YOLOv8-MRF模型（图1），开发了一种在自然环境下检测小麦苗期分蘖的算法。该方法在YOLOv8骨干网络中集成了增强的多路径坐标注意力机制（multi-path coordinate attention , MPCA），捕捉多尺度特征，显著提高了分蘖识别能力。通过将CSPDarknet53 to 2-Stage FPN（C2F）模块替换为感受野注意力卷积（receptive field attention convolution , RFCAConv），解决了参数共享的限制，强调了特征的重要性，增强了网络性能。最后采用Focaler-CIoU损失替换传统的CIoU以提高模型的检测准确率。
图1 YOLOv8-MRF网络结构
为了证明模型的增强性能，本研究与包括RTDETR、YOLOv5、YOLOv7和YOLOv8在内的几种流行的目标检测框架进行了比较实验。结果表明，YOLOv7在检测精度上表现优异，但其较慢的检测速度给实时检测的实际应用带来了困难。YOLOv8的权重大小为6MB，仅占YOLOv7所需参数的8%。此外，YOLOv8的mAP50为87.6%，比YOLOv5和RTDETR分别高出2.4%和7%。总体而言，就平衡小麦分蘖识别的准确性与图像处理速度而言，YOLOv8具有一定的优势。
为了评估YOLOv8-MRF模型中各项改进措施的有效性及其对小麦分蘖检测任务性能的提升贡献，本研究针对提出的三个改进措施进行了消融实验，结果表明所提出的YOLOv8-MRF模型在小麦分蘖检测任务中的各个性能超过了原始模型，精度提高了2.5%，召回率提高了5.5%，平均精度提高了4.1%。图2更加直观地展示了增强模型在召回率和平均精度方面均超过了原始模型。此外，增强模型还保持了原始模型相当的计算复杂度，这意味着在不显著增加计算负担的前提下，YOLOv8-MRF模型通过有效的改进措施，实现了对小麦分蘖检测性能的显著提升，具备了更高的准确性和强大的泛化能力，能够更好地应对自然环境中的复杂检测挑战。
图2 召回率和平均精度曲线的比较
本研究对所建YOLOv8-MRF模型进行了测试，评估其在复杂背景下的小麦分蘖检测性能。测试结果如图3所示，A1-A4为模型改进前的检测效果，存在叶片被错误识别为分蘖以及同一分蘖被重复检测等现象，这反映出原始模型在特征提取方面存在不足，难以有效区分叶片与分蘖。而B1-B4展示了模型改进后的检测成果，本研究提出的YOLOv8-MRF模型成功克服了自然环境中分蘖检测面临的小目标识别、复杂背景干扰以及分蘖遮挡等难题，显著提升了检测的准确性和可靠性。
图3 模型改进前后检测结果
本研究作者所提出的YOLOv8-MRF模型在自然条件下检测小麦分蘖方面取得了显著进展。该模型通过整合YOLOv8架构、增强的MPCA机制、RFCAConv模块和Focaler-CIoU损失函数，有效地解决了小目标检测、复杂背景和遮挡等挑战。YOLOv8-MRF模型的发展不仅提高了农业生产智能化水平，还对资源利用和科研进步具有更广泛的影响。它通过提高农业实践的精度和效率来支持可持续发展。该模型的未来迭代可能会整合更先进的深度学习技术，并在更广泛的农业应用中进行测试，进一步巩固其在推动农业技术发展中的作用。
四川农业大学在读硕士生梁敏、张雨晨为该论文的共同作者，刘亚西教授为通讯作者。该研究得到了中国国家重点研发计划、四川省自然科学基金、国家农业科学与技术中心地方财政资金、中国烟草总公司重大科技项目和西南作物基因开发利用国家重点实验室项目的资助。
来源：四川农业大学
