基于YOLO-RCMC模型与花朵开放度分析的草莓花期物候精准检测技术研究

为解决草莓花期物候检测精度不足与实时性差的问题，西北农林科技大学团队开发了YOLO-RCMC深度学习模型，结合花粉活力实验与花朵开放度计算，实现了草莓花期Bud/Early/Full/Late四阶段的精准划分与检测。该模型mAP50达89.0%，推理时间仅9.1ms，为智能农业装备提供关键技术支撑。

　　

草莓作为高经济价值作物，其花期物候精准监测直接关系到果实品质与产量。然而传统人工观测存在主观性强、效率低下等问题，尤其在Early与Full阶段的过渡期，人眼几乎无法区分。更棘手的是，现有基于机器视觉的检测方法普遍面临复杂田间环境下特征提取不充分、分类误差高等挑战，严重制约了自动化疏花授粉装备的研发。

针对这一技术瓶颈，西北农林科技大学机械与电子工程学院的研究团队在《Smart Agricultural Technology》发表创新成果。研究人员巧妙融合生物学实验与深度学习技术，首先通过花粉活力测定（TTC染色法）建立开花度与物候阶段的定量关系，解决过渡期样本标注难题；继而开发YOLO-RCMC模型，通过矩形自校准模块（RCM）增强前景特征提取能力，结合C2f-RCM/C3k2-RCM变体模块降低分类误差，最终实现草莓花期的精准识别。

关键技术方法

研究采用华为Mate50手机采集多角度（0-90°）、多距离（15-35cm）的草莓花图像（3072×3072像素），通过X-AnyLabeling工具标注Bud/Early/Full/Late四类数据集。基于YOLOv11s基线模型，创新性引入RCM模块强化主干网络特征提取，并设计RCM变体模块优化检测头。实验采用COCO评估标准，结合TIDE工具箱分析误差来源，最终模型在WSL Ubuntu系统下完成训练（PyTorch 2.4.1框架）。

研究结果

3.1 早花与盛花期的物候划分

通过80个样本的统计分析发现：早花期开花度服从N(17.43,2.80²)，盛花期服从N(25.64,1.97²)。基于2σ原则确定开花度阈值23.03，当开花度≥23.03时判定为盛花期，准确率95.4%。

3.2 消融实验验证

YOLO-RCMC相较基线模型提升显著：mAP₅₀提高3.8%至89.0%，其中Bud类AP₅₀提升5.5%。误差分析显示，该模型将误分类误差（E_cls）降低1.92%，假阳性（E_FP）减少3.81%。

3.3 对比实验表现

在主流YOLO模型中，YOLO-RCMC以最少参数量（17.6M）和最低计算量（54.7B FLOPs）取得最优性能，推理速度9.1ms，较YOLOv3提速48.6%。Grad-CAM热图显示其对Late阶段的特征提取能力尤为突出。

3.4 田间验证

距离测试表明：在70-90°最佳角度下，15-25cm距离内Bud检测置信度达85-90%，但35cm处性能骤降；Full阶段在各距离均保持>90%高置信度，验证模型鲁棒性。

结论与意义

该研究首次将花朵开放度量化与深度学习相结合，突破过渡期物候识别的技术瓶颈。YOLO-RCMC模型通过RCM模块的矩形注意力机制，有效解决复杂背景下草莓花特征提取难题，为农业机器人提供实时（9.1ms）、高精度（mAP₅₀ 89.0%）的物候监测方案。未来可进一步优化小目标（Bud）检测性能，推动智慧农业装备产业化应用。