编辑推荐：
为解决无人机图像中青稞穗重叠及高分辨率图像分析计算难题，研究人员开展青稞穗检测研究，改进 YOLOv5 模型精度提升，mAP0.5达 93.1%，为精准农业提供支撑。
基于改进 YOLOv5 的轻量级青稞检测研究解读
在我国西藏地区，青稞是一种极为重要的粮食作物，它广泛种植于高海拔区域，凭借着耐寒、适应性强、产量高且生长周期短的特性，成为当地的主要农作物。在 2022 年，西藏地区的青稞种植面积相当可观，达到了约 270,000 公顷，为保障当地的粮食安全发挥着关键作用。
不过，在青稞的种植管理过程中，传统的产量估算和生长监测方法存在诸多问题。传统方式多依赖人工或破坏性采样，不仅耗费大量的时间和人力，而且主观性强，样本的代表性也欠佳，难以满足大规模精准监测的需求。虽然遥感技术的出现带来了新的思路，但卫星和航空遥感的空间分辨率较低，难以精准识别青稞这类小目标，并且容易受到云雾等天气因素的干扰。无人机（UAV）技术的兴起，因其高时空分辨率、灵活性和低成本等优势，为青稞的监测提供了新的契机。然而，高分辨率的无人机图像包含海量像素和细节，对算法的处理能力提出了极高的要求。
在此背景下，福建农林大学的研究人员展开了深入研究。他们致力于探索一种高效、精准的青稞产量估算和生长监测方法，旨在为精准农业提供有力支持。研究成果发表在《Plant Methods》上。
为开展此项研究，研究人员运用了多种关键技术方法。首先，利用搭载可见光传感器的 DJI Air 2S 无人机采集不同时期、不同地点的青稞图像数据；接着，通过编写代码对图像进行预处理，将原始图像分割并筛选出高质量的子图；然后，使用 LabelImg 软件对图像进行标注，并通过几何变换、添加噪声等方式进行数据增强；最后，以 YOLOv5n 模型为基础，引入深度可分离卷积（DSConv）、幽灵卷积（GhostConv）和卷积块注意力模块（CBAM）对模型进行改进，并使用精度（Precision）、召回率（Recall）、F1 分数、平均精度（AP）、平均精度均值（mAP）等指标评估模型性能。
研究结果如下：
- 轻量级模型比较：对比了 MobileNetv2、MobileNetv3、Shufflenetv2、DSConv 和 GhostConv 等在青稞穗检测中的效果，发现 DSConv 和 GhostConv 在减少模型计算量和 FLOPs 的同时，还能略微提升实验精度，更适合本研究。
- 模型训练结果：改进后的 YOLOv5 模型在 300 个训练轮次中，精度、召回率、mAP 和 F1 分数逐渐提升并趋于稳定，分别达到 92.1%、86.3%、93.1% 和 0.89，损失值不断下降并接近 0.23 的最小值，表明模型训练效果良好且收敛至最优状态。
- 消融实验：通过消融实验评估不同模块对模型性能的影响，结果显示结合 DSConv、GhostConv 和 CBAM 模块的最终改进模型 M7 性能最佳，精度达到 92.2%，召回率为 86.2%，F1 分数为 0.892，AP0.5在青稞生长和成熟期分别为 92.7% 和 93.5%，mAP0.5为 93.1%。与基线模型 YOLOv5n 相比，M7 各项指标均有提升，且参数数量和 FLOPs 分别减少至 1.2M 和 3.1G，分别为基线模型的 70.6% 和 75.6%。单独引入 DSConv 或 GhostConv 模块可实现模型轻量化并维持或提升精度，引入 CBAM 模块可显著提升精度且不增加参数数量和 FLOPs。
- 与不同算法比较：将改进模型 M7 与主流目标检测算法对比，M7 在检测性能上优于 Faster R-CNN、Mask R-CNN 和 RetinaNet，且保持轻量化优势；与 YOLOv7 和 YOLOv8n 相比，虽精度略低，但在参数数量和 FLOPs 方面优势明显，更适合实时检测场景。
- 可视化比较：可视化对比显示，改进模型在检测小目标青稞穗颗粒方面表现更优，能在复杂田间环境中保持高识别精度，区分不同生长状态的青稞穗，成功完成目标检测任务。
研究结论和讨论部分指出，本研究构建的轻量级高效青稞穗检测模型 M7，在检测精度、模型大小和计算效率方面表现出色。与其他主流算法相比，M7 在参数数量和 FLOPs 上具有显著优势，更适合资源受限环境下的实时检测，为青稞生长监测和精准农业管理提供了有效解决方案。不过，该研究也存在一定局限性，如较少考虑不同光照环境对模型的影响、采用的矩形标注方法可能影响检测精度、原始图像模糊对检测结果有较大影响等。未来研究可围绕这些问题展开，进一步优化模型性能。总之，这项研究成果为精准农业的发展提供了重要的技术支持，有望推动农业智能化和现代化进程。
