基于深度学习的不同氮肥和灌溉条件下玉米产量组分估算

《AgriEngineering》：Deep Learning–Based Corn Yield Component Estimation Under Different Nitrogen and Irrigation Rates Binita Ghimire, Lorena N. Lacerda, Thirimachos Bourlai and Guoyu Lu

本期推荐：为克服传统玉米穗粒数人工计数费时费力、易出错的问题，研究人员开展了基于YOLO系列模型和Faster R-CNN的自动化检测与计数研究。结果表明，经过微调的YOLOv11x模型表现最佳，在测试集上精度达0.978，R2pred为0.858，能有效预测产量和收获指数，为精准农业提供了高效、可扩展的工具。

　　

玉米作为全球重要的粮食、饲料和生物燃料作物，其产量的提升对保障粮食安全和经济可持续发展至关重要。在玉米的诸多产量构成要素中，每穗粒数是驱动产量变异和稳定性的关键参数，它能灵敏地反映育种和农艺管理措施的效果。然而，传统的穗粒数计数依赖于人工操作，不仅过程枯燥、劳动强度大、耗时漫长，而且在处理大量样本时极易引入人为误差，严重制约了农学研究和育种项目的数据通量与规模。尽管已有一些基于图像处理的工具（如FIELDimageR）被用于辅助计数，但其准确性有限，误差率可高达20%。因此，开发一种快速、准确且可扩展的自动化玉米穗粒数检测与计数方法，已成为精准农业领域一项迫切的需求。

本研究旨在系统评估多种先进的目标检测模型在自动化玉米穗粒检测与计数任务上的性能，并探索其在预测玉米产量及收获指数方面的应用潜力。研究人员采集了2023年和2024年生长季在美国佐治亚州大学铁马植物科学农场进行的田间试验样本，该试验设置了不同的灌溉和施氮水平，以模拟实际生产中的环境变异。在玉米生理成熟期，从每个小区随机采集6个果穗，置于黑色背景上拍摄单侧图像，并利用30厘米标尺和包含地块ID、灌溉、氮肥处理、生长阶段和年份等信息的标签卡进行校准。图像采集后，研究人员对每张包含6个果穗的原始图片进行裁剪，得到单穗图像，并采用旋转等数据增强策略扩充数据集，最终用于模型训练和评估。

为了完成研究目标，作者采用了几个关键的技术方法。首先是基于深度学习的对象检测架构，核心是比较了六种不同版本的YOLO（You Only Look Once）模型和一种两阶段检测器Faster R-CNN。YOLO模型因其端到端的特征学习能力和实时处理速度而被选用，涵盖了从YOLOv5到YOLOv12的多个演进版本。Faster R-CNN则作为代表性两阶段检测器，采用ResNet-50作为骨干网络，并集成了特征金字塔网络以提升对小目标（玉米籽粒）的检测能力。其次，是图像标注与半自动化标注流程。研究使用在线平台Roboflow进行初始的手动边界框标注，随后利用已标注数据训练一个初始YOLOv10x模型，再用该模型对更多图像进行预测以生成自动标注，最后经人工审核校正，形成高质量的标注数据集，这一方法大幅提升了标注效率。再者，是系统性的模型训练与评估框架。所有模型在统一的超参数设置下，采用两种策略进行训练：“从零开始训练”和“基于预训练权重的微调”。模型性能通过五步法进行评估，包括架构与训练策略比较、与基线模型对比、跨年份验证、以及基于籽粒数预测产量和收获指数，确保了评估的全面性和可靠性。

2.5. 模型开发与训练

本研究评估了YOLOv5x、YOLOv8x、YOLOv9x、YOLOv10x、YOLOv11x、YOLOv12x以及Faster R-CNN共七种模型。所有模型使用相同的标注数据集和一致的超参数进行训练。结果表明，采用微调策略训练的模型，在准确性和计算速度上均一致性地优于从零开始训练的模型。

步骤1：架构与训练策略比较

在六种YOLO架构中，YOLOv11x取得了最佳性能，在测试集上获得了0.978的精确度、0.968的召回率、4.8毫秒的延迟以及0.858的预测决定系数。YOLOv8x排名第二，而YOLOv10x表现最差。这一步骤明确了微调策略的优势以及YOLOv11x在当前任务中的优越性。

步骤2：与Faster R-CNN的基线比较

将表现最好的两种YOLO架构与Faster R-CNN进行对比。结果显示，Faster R-CNN的性能较差，凸显了单阶段检测器（YOLO）在处理本研究中密集、小目标检测任务上的有效性。

步骤3：跨年份验证

使用2023年采集的独立数据集对最优模型进行验证。YOLOv11x在跨年份数据上仍保持了高性能，预测R²达到0.890，证明了模型对不同生长季节条件变化的鲁棒性和良好的泛化能力。

步骤4：基于地块水平预测的产量和收获指数估算

利用2023年数据，将YOLOv11x预测的穗粒数用于估算地块水平的产量和收获指数。预测产量与观测产量之间的R²达到0.881，预测收获指数与观测值之间的R²为0.758。模型成功捕捉到了不同氮肥和灌溉处理对产量和收获指数的显著影响，表明基于图像的籽粒计数可以可靠地用于预测这些关键农艺指标。

步骤5：处理效应分析

模型预测的籽粒数、产量和收获指数均能够显著区分不同的氮肥和灌溉处理，证实了该自动化方法在量化农艺管理措施效应方面的实用性。

本研究通过系统的评估，证明了基于YOLO的深度学习架构，特别是经过微调的YOLOv11x模型，能够高效、准确地实现玉米穗粒的自动化检测与计数。该方法不仅显著超越了传统人工计数和现有图像处理工具，而且在跨年份的独立验证中表现出良好的稳定性和泛化能力。更重要的是，研究将籽粒计数预测成功延伸至产量和收获指数等核心农艺性状的估算，并能够有效反映不同氮肥和灌溉处理的生产效应。这些发现表明，该框架为农学研究和育种项目提供了一个强大、可扩展的工具，能够极大提升表型分析的效率和准确性，推动数据驱动的精准农业管理决策。论文的研究成果已发表在《AgriEngineering》期刊上。