【智慧农业】YOLO-Light-Pruned:基于近地面与无人机RGB影像的玉米苗数及叶龄监测轻量化模型

玉米苗数和叶龄是反映作物早期生长状况的重要指标，对于田间精准管理和育种材料筛选具有重要意义。然而，传统田间调查方法不仅耗时耗力，而且容易受到人为主观因素的影响。近年来，基于深度学习的目标检测模型在作物苗数统计领域受到广泛关注，但现有多数模型计算复杂度较高、部署成本较大，限制了其在实际农业生产中的应用。同时，针对田间环境下玉米叶龄监测的研究仍相对匮乏。为此，本研究提出了两种用于田间RGB图像中玉米苗数统计与叶龄监测的轻量化模型——YOLOv8n-Light-Pruned（YOLOv8n-LP）和YOLOv11n-Light-Pruned（YOLOv11n-LP）。该模型在YOLOv8n和YOLOv11n基础上进行了改进，引入了DAttention注意力机制、优化的双向特征金字塔网络（BiFPN）、EfficientHead检测头以及基于层自适应幅值的剪枝（Layer-Adaptive Magnitude-Based Pruning）策略。

结果表明，所提出模型在降低模型复杂度和提升运行效率方面取得了显著效果。模型参数量减少超过73%，推理效率根据不同计算设备性能提升最高可达42.9%。在玉米苗数统计任务中，两种模型均表现出较高精度，其中YOLOv8n-LP和YOLOv11n-LP的平均检测精度（AP）分别达到0.968和0.969，决定系数（R²）分别达到0.91和0.94，相对均方根误差（rRMSE）分别为6.73%和5.59%。与此同时，模型规模显著缩小，参数量仅为0.8 M和0.7 M，训练后模型文件大小分别仅为1.8 MB和1.7 MB。进一步的鲁棒性验证表明，该模型在不同叶龄阶段（rRMSE = 4.07%–7.27%）、不同图像分辨率（rRMSE = 3.06%–6.28%）、不同苗情组成（rRMSE = 1.09%–9.29%）以及不同种植密度条件（rRMSE = 3.38%–10.82%）下均能够保持稳定且可靠的性能。最后，通过融合植株计数与叶龄估计功能，所提出模型实现了玉米叶龄的精准监测。在近地面图像条件下，YOLOv8n-LP和YOLOv11n-LP的叶龄估测相对均方根误差分别为5.73%和7.54%；在无人机影像条件下，其相对均方根误差分别为9.24%和14.44%。

综上所述，所提出的轻量化模型在检测精度、部署效率以及复杂田间环境适应性方面均表现出优异性能，可为精准农业中的作物苗情监测、叶龄评估及智能田间管理提供可靠的技术支撑。

图1. 实验设计流程图

图2. 近地图像采集

图3. 无人机数据预处理

图4. YOLOv8n-LP的网络架构

图5. YOLOv11n-LP的网络架构

图6. 不同模型对玉米幼苗的检测准确率

图7. 玉米幼苗实测数量与估计数量的对比。（a）YOLOv8n-LP模型应用于NG数据。（b）YOLOv11n-LP模型应用于NG数据。（c）YOLOv8n-LP模型应用于无人机数据。（d）YOLOv11n-LP模型应用于无人机数据。

图8. 不同叶期（从左至右依次为V2、V3、V4和V5）的实测幼苗数量与估计幼苗数量的对比。（a-d）YOLOV8n-LP的结果。（e-h）YOLOV11n-LP的结果。

图9. 基于不同空间分辨率图像，使用YOLOv8n-LP（a-e）和YOLOv11n-LP（f-j）对实测幼苗数量与估计幼苗数量的比较。从左至右的分辨率分别为1.87毫米、2.21毫米、2.95毫米、3.40毫米和4.47毫米。

图10. 基于不同幼苗组成图像，YOLOv8n-LP（a-d）和YOLOv11n-LP（e-h）估算的幼苗数量与真实值的对比。从左至右，小幼苗的比例分别为0%、20%、40%和60%。

图11. 不同种植密度的样地中，YOLOv8n-LP（a）和YOLOv11n-LP（b）估算的幼苗数量与实际数量的对比。

图12. 单株水平叶片计数的评估

图13. 地块级叶片计数的混淆矩阵。

本文源自：扬州大学智慧农业研究院