一种基于无人机RGB图像的玉米雄穗检测方法

摘要

[目的]精准识别和检测玉米雄穗是提高去雄效率的关键。针对当前深度学习算法在复杂田间环境下检测精度不足、鲁棒性差的问题，提出一种基于YOLOv8改进的玉米雄穗高效检测新方法。[方法]通过无人机采集不同天气条件与飞行高度下的多场景数据，构建具有强泛化能力的检测数据集。通过在YOLOv8的骨干网络中引入“幽灵卷积”（Ghost Convolution,GhostConv）模块，颈部网络引入注意力尺度序列融合（Attentional Scale Sequence Fusion,ASF）模块、多尺度特征融合（Gather-and-Distribute Mechanism,Gold）模块，模型能够更好地提取目标特征，并提升目标定位和回归任务的性能。改进后的检测模型命名为AG-YOLO。[结果]AG-YOLO在玉米雄穗检测任务中表现优秀，模型的大小较原模型下降约18.3%，平均精度（mAP）高达89.3%，该性能亦明显优于YOLOv3、YOLOv5、YOLOv6、YOLOv8等其他主流检测算法。尤其是在抽雄早期、目标被叶片遮挡较多、目标密集分布或背景复杂的场景中，AG-YOLO表现出优异的检测能力。[结论]改进后的AG-YOLO模型能够在复杂多变的田间环境下有效检测玉米雄穗，兼顾高检测精度、模型轻量化及强鲁棒性，在实际的应用场景中，展现出很高的应用价值。为实现自动化和智能化的玉米去雄作业提供高效、可靠的技术支持，也为后续智慧农业中其他作物表型精准检测模型的优化与应用推广奠定良好的基础。

关键词

深度学习 / YOLOv8 / 玉米雄穗 / 图像识别