《European Journal of Agronomy》：From UAV imagery to mapping: Detecting sunflower heads in fields using a novel lightweight deep learning network
编辑推荐：
高效检测与空间映射：基于YOLOv8n改进的轻量级模型实现向日葵花盘的高精度定位与地理坐标映射，支持预收获产量预估和精准农业管理，模型参数减少49.5%，推理速度达16 FPS（CPU）和67 FPS（Jetson Orin Nano）。
阮静|牛青林|赵青青|邵景翠|李宗鹏|齐博伟|赵桂泽|马元志|李东伟|周新国
中国农业科学院农田灌溉研究所，中国新乡453002
摘要
高效且非侵入式的田间规模向日葵花盘（SHs）检测与定位，结合空间分布绘图，可以支持收获前的产量预测、机械收割优化、田间管理以及高通量表型分析。无人机（UAV）图像以其低成本和高时空分辨率，使得这种田间规模监测成为可能。然而，从高分辨率UAV图像中准确检测和绘制单个SHs仍然具有挑战性，尤其是在计算资源受限的环境中。为了解决这个问题，我们使用UAV RGB图像构建了一个涵盖开花和成熟阶段的向日葵花盘检测数据集。此外，我们提出了一个基于YOLOv8n改进的轻量级深度学习网络，以实现高效的检测和绘图。首先介绍了DWCSP模块，该模块利用深度卷积和多分支特征融合进行特征提取，从而显著降低了网络复杂性。此外，还设计了一个集成部分卷积的轻量级检测头，以进一步提高推理速度，并采用了WIoU损失函数来增强检测性能。实验结果表明，与基线模型相比，所提出模型的计算复杂性和参数分别降低了60.5%和49.5%，其计算量为3.2 GFLOPs，参数量为1.52 M，模型大小仅为3.1 MB。该模型在mAP@0.5指标上达到了96.2%的优异成绩。当在CPU和Jetson Orin Nano平台上部署时，推理速度分别达到了16 FPS和67 FPS，比基线模型提高了33.3%和24.1%。此外，该模型还被用于对两个样本田地的UAV正射影像进行重叠切片检测，将单个SHs的位置映射到地理坐标上，并生成了花盘的空间和密度分布图。这形成了从UAV图像到地理空间数据的端到端工作流程，为向日葵的收获前产量估计和农艺变异分析提供了一种有效方法，同时具有减少资源浪费和劳动力需求的潜力，为育种评估和决策提供了成本效益的工具。
引言
高效的大规模空间映射主要田间作物对于确保全球粮食安全和制定有效的农业政策具有重要意义（Joshi等人，2023年；Pandey和Pandey，2023年）。作为具有国际重要性的关键油料作物，向日葵（Helianthus annuus L.）在食品、饲料和工业生产中发挥着关键作用（Puttha等人，2023年）。近几十年来，全球向日葵种植面积及其产量持续增长，到2021年分别达到了2950万公顷和5820万吨（Centorame等人，2024年）。然而，气候变化、环境退化、耕地减少和人口增长等因素对向日葵供应链的稳定性构成了重大威胁，因此提高向日葵产量成为亟待解决的紧迫问题。
在田间种植条件下，向日葵花盘（SHs）的数量和密度是解释产量变化和影响最终表现结果的基本因素（Barros等人，2004年；Kaya，2016年）。在精准农业（PA）的背景下，利用无人机（UAV）遥感技术结合空间分布绘图，实现快速、非破坏性的田间规模SHs检测与定位，为提高产量和确保可持续性提供了有前景的策略。这些信息不仅有助于识别作物生长的空间异质性，量化管理措施的有效性，还为决策者提供了提前几周的产量预测和更精确的资源分配参考（Maimaitijiang等人，2020年）。对于农民和合作社来说，这些数据有助于优化收割路线，提高机械操作的效率，并改善收获后的管理，从而简化农产品从农场到市场的流通，增加经济效益（Debaeke等人，2023年；H. Wang等人，2023年）。此外，这些数据还支持田间的高通量表型分析，加速了优良基因型的识别和高产、抗逆品种的开发，从而应对不同土壤和气候条件下的生产挑战（Das Choudhury等人，2022年）。
近年来，UAV平台的快速发展，结合了RGB、多光谱、高光谱和LiDAR等多种传感器，使得大规模农业区域的高时空分辨率遥感图像能够高效、灵活且非破坏性地获取。这一技术进步为在实地条件下进行详细的作物生长监测提供了新的可能性，实现了从田间水平到单个植物的观察（Ozdarici-ok和Ok，2023年；Su等人，2023年）。同时，深度学习的重大突破，特别是卷积神经网络（CNNs），为从大量图像数据中自动提取复杂特征提供了有力支持（Bauer等人，2019年；Tian等人，2020年）。将深度学习网络整合到遥感数据分析中已成为推进作物对象检测与识别、表型参数提取和持续监测的关键方法（Castro等人，2020年；Ding等人，2023年；Okada等人，2024年）。在这些技术中，You Only Look Once（YOLO）（Redmon等人，2016年）作为一种单阶段对象检测框架，在各种作物检测任务中得到了广泛应用，包括Solanum lycopersicum L.（Solimani等人，2024年）、Camellia oleifera（Li等人，2024年）、Glycine max（Liu等人，2023年）和Oryza sativa L.（Lan等人，2024年），因为它具有比两阶段检测网络（如Faster R-CNN，Ren等人，2017年）更快的实时检测速度和更满意的检测精度。
在农业环境中，部署YOLO模型时，在检测性能和计算资源需求之间取得平衡至关重要（Ali和Zhang，2024年）。模型的轻量级设计和效率已成为满足UAV和低成本边缘计算设备应用需求的关键目标（Wei等人，2024年）。因此，许多研究致力于增强YOLO模型的轻量级特性（Badgujar等人，2024年）。例如，Hu等人（2024年）通过修改YOLOv7的缩放因子并整合坐标注意力机制ELAN-B3和DownC模块，开发了Multimodule-YOLOv7-L模型，该模型在生菜和杂草严重程度分类上的mAP达到了97.1%，模型大小为18.4 MB。Ye等人（2023年）通过整合RepVGG Blocks、C2fCA和GSConv模块开发了PWD-YOLO模型用于松树枯萎病检测，mAP@0.5达到了87.7%，计算量为3.5 GFLOPs。尽管取得了这些进展，但仍存在一些局限性。一些研究通过引入注意力机制或更复杂的网络架构来保持检测精度，但这可能会增加推理时间和网络复杂性，从而与轻量级设计的原则相冲突（Liu等人，2024年）。现有研究主要集中在单个图像或局部区域内的对象检测上，但在扩展到田间规模检测和空间分布绘图时面临重大挑战。这些能力对于满足精准农业的需求至关重要，包括大规模产量估计和先进的田间管理。此外，在低成本边缘计算平台（如NVIDIA Jetson）上的部署和性能验证仍然不足，可能限制了模型在现实田间环境中的实际应用。
总之，在计算资源有限的情况下，从高分辨率UAV图像中高效检测和田间规模空间映射单个向日葵花盘仍然是一个值得关注的研究空白。我们之前的研究回顾了使用UAV遥感技术监测向日葵花盘的潜力和挑战，并提出了基于YOLOv7-tiny的改进型Sunflower-YOLO模型（Jing等人，2024年）。该模型在开放期、半开放期和花蕾期三个生长阶段均表现出令人满意的检测精度。然而，它没有解决成熟SHs的检测或田间规模绘图问题，模型轻量级设计仍有进一步优化的空间。为了克服这些限制，本研究将UAV遥感图像与基于YOLOv8n的改进型轻量级深度学习网络相结合，提供了一种非侵入式、快速且经济高效的解决方案，用于精确检测和绘制开花及成熟阶段的SHs的地理空间信息。所提出的方法可以高效地在计算资源有限的边缘设备上部署，生成高分辨率的空间和密度地图，支持产量估计、种植密度优化和精准田间管理的定量分析。因此，本研究旨在在资源受限的情况下，建立从原始UAV图像到田间规模地理空间映射和定量分析的端到端工作流程，主要贡献包括：
•数据集构建：开发了包含1000张UAV图像和44,889个标注实例的向日葵花盘检测数据集（SHDD），涵盖开花和成熟阶段。
•轻量级模型：构建了一个基于YOLOv8n的轻量级网络，结合了DWCSP、轻量级检测头（LDH）和WIoU损失函数，在SHDD上的mAP@0.5达到了96.2%，参数量为1.52 M，计算量为3.2 GFLOPs，模型大小为3.1 MB，支持在CPU和Jetson Orin Nano上的高效推理。
•田间应用：将该模型应用于两个田地的UAV正射影像的重叠切片检测，实现了单个SHs的地理参考定位和密度绘图，建立了从UAV图像到空间分析的端到端工作流程。
研究区域和数据获取
本研究于2023年7月至8月在中国山东省东营市盐碱地综合利用国家技术创新中心进行（37°17'27.7"N,118°38'37.5"E），如图1(a–b)所示。该地区的平均海拔约为8.8米，年平均气温为12.8°C，无霜期为4944小时，年日照时间为2196小时，年平均降水量为555.9毫米。
方法
本节介绍了一个基于YOLOv8n的改进型轻量级深度学习网络，旨在高效检测和识别UAV遥感图像中的单个SHs。该网络整合了DWCSP模块、集成部分卷积（PConv）的轻量级检测头（LDH）以及wise intersection over union（WIoU）损失函数，显著降低了网络复杂性，同时保持了高检测精度。
消融实验
本节展示了旨在评估各种改进模块对所提网络性能影响的消融实验结果。基线模型使用的是YOLOv8n，对其进行了三项增量改进：DWCSP模块、LDH模块和WIoU损失函数。实验结果总结在表2中。在初始阶段，通过将基线模型中的所有C2f模块替换为DWCSP模块生成了模型2。尽管略有
提出的轻量级深度学习网络分析
UAV遥感技术在农业中的日益集成，使得通过UAV进行作物检测和识别成为精准农业（PA）的基础技术（Istiak等人，2023年；Canicattì和Vallone，2024年）。虽然当前研究主要集中在使用深度学习网络提高UAV遥感图像的检测精度（Liang等人，2023年；Bao等人，2024年；Jia等人，2024年；Sangaiah等人，2024年），但这些模型往往计算密集
结论
本研究利用UAV获取的RGB图像构建了包含开花和成熟阶段的向日葵花盘检测数据集（SHDD）。提出了一个结合YOLOv8n改进的轻量级深度学习网络，以实现SHs的高效检测和空间绘图。DWCSP模块的引入、部分卷积LDH的整合以及WIoU损失函数的应用有助于保持高检测精度，同时显著降低了模型复杂性。
CRediT作者贡献声明
阮静：撰写——原始草稿、方法论、调查、数据整理、概念化。牛青林：资源获取、调查。赵青青：调查、数据整理。邵景翠：数据整理。李宗鹏：调查。齐博伟：调查。赵桂泽：调查。马元志：调查。李东伟：撰写——审稿与编辑、监督、资金获取。周新国：撰写——审稿与编辑、项目管理、资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本研究得到了农业科技创新计划（ASTIP，编号：CAAS-ZDRW202407）和国家重点研发计划（编号：2023YFD2300301的资助。感谢所有编辑、审稿人和作者对本文的宝贵贡献。
