《Smart Agricultural Technology》：Lightweight and high-precision network for detecting germination of soybean seeds
编辑推荐：
为解决传统大豆种子发芽检测方法耗时耗力、依赖主观判断且难以实现全周期无损检测的难题，本研究构建了涵盖种子完整萌发周期的高质量图像数据集，并提出了一种基于 YOLOv8n 改进的轻量级目标检测模型 APE-YOLOv8n。该模型通过集成 ADown、PConv（Partial Convolution）及 EIOU 损失函数等创新模块，在显著降低模型参数（3.4 M）和计算量（5.1 GFLOPs）的同时，将检测精度（Precision）和 mAP@0.5 分别提升至 90.8% 与 94.9%。该研究为农业边缘计算设备提供了一种高效、精准的种子活力智能评估解决方案。
大豆，作为全球至关重要的粮食与油料作物，其产量和品质直接关乎农业经济与粮食安全。决定大豆产量的第一道关卡，是种子的质量，而衡量种子质量最核心的指标之一便是发芽率。一颗发芽率高、活力强的种子，意味着更高的出苗整齐度、更强的抗逆能力，以及最终更可观的产量回报。根据国家标准，用于播种的大豆种子发芽率必须达到85%以上。因此，在种子上市销售前，准确测定其发芽率是必不可少的环节。
然而，传统的发芽率检测方法面临诸多困境。目前普遍采用的方法是“发芽试验”：在实验室恒温恒湿条件下，人工定时观察并统计发芽的种子数量。这个过程不仅耗时漫长（通常需要数天），而且极度依赖检测人员的经验和主观判断，重复性差，误差大。更重要的是，它无法实现“全周期、非破坏性”的连续监测。我们无法在不干扰种子正常生长的前提下，实时、动态地跟踪每一颗种子从吸水、露白到幼根伸长的完整萌发历程。此外，在发芽后期，种子根须相互缠绕、形态复杂，进一步加大了人工识别的难度。有没有一种方法，能像给种子做“CT扫描”一样，快速、无损且客观地评判它们的生命力呢？
随着人工智能技术的飞速发展，基于计算机视觉的智能检测为解决这一难题带来了曙光。其中，YOLO（You Only Look Once）系列模型以其高效、精准的实时目标检测能力，在农业病虫害识别、果实分级等多个领域展现出巨大潜力。但是，直接将现有模型用于大豆种子发芽检测，仍面临独特挑战：种子萌发是一个连续的形态演变过程，目标尺度变化大；后期根须密集、相互遮挡，导致特征提取困难；此外，标准模型通常参数量大、计算复杂，难以部署到资源有限的田间地头或便携式边缘设备上。
为此，湖南科技大学的研究团队在《Smart Agricultural Technology》上发表了一项创新研究。他们决心开发一个专为大豆种子发芽检测量身定制的轻量高精度智能模型。为了回答“如何实现大豆种子发芽过程的快速、精准、自动化检测”这一核心问题，研究人员系统性地开展了一系列工作。他们首先搭建了一套标准的种子萌发图像采集系统，获取了覆盖整个萌发周期的高质量图像数据，并构建了大规模、高质量的数据集。以此为基础，他们以高效的YOLOv8n模型为蓝本，进行了一系列精巧的“瘦身”与“强心”改造，创造出了名为APE-YOLOv8n的新模型。实验结果表明，这个新模型不仅“眼力”更准，识别发芽种子的平均精度（mAP@0.5）高达94.9%，而且“身材”更苗条，模型参数和计算量相比原模型大幅降低，非常适合在手机、嵌入式设备等边缘终端上运行。这项研究为种子质量的智能化、自动化评估开辟了一条全新的技术路径。
关键技术方法
为开展此项研究，作者主要采用了以下几项关键技术方法：
- 1.
数据集构建与增强：严格遵循国家标准进行大豆种子发芽实验，使用集成工业相机和恒温培养箱的采集系统，在60小时内以12小时间隔拍摄萌发图像，共获得320张原始图像。使用LabelImg软件进行“发芽”与“未发芽”的边界框标注。为增强模型鲁棒性，对原始图像及标签进行了高斯模糊、缩放、旋转和亮度变化等数据增强，最终构建了包含1600张图像（训练集960张、验证集和测试集各320张）的数据集。
- 2.
模型架构改进：以YOLOv8n为基础网络，进行了三方面核心改进：
- •
引入ADown模块替代原始卷积层进行下采样，该模块通过双分支（大感受野捕捉全局信息，小感受野捕捉局部细节）实现跨尺度特征融合，提升了对种子缺陷及细微形态变化的感知能力。
- •
在C2f模块的Bottleneck结构中整合PConv，该卷积仅对部分输入通道进行卷积运算，大幅减少了特征冗余和内存访问，提升了特征提取效率。
- •
采用EIOU损失函数替代原CIOU损失，通过独立优化边界框的宽、高差异，加速模型收敛并提升定位精度，尤其适用于萌发后期种子密集、边界框易重叠的场景。
- 3.
模型训练与评估：在统一实验平台上（Intel i5处理器，NVIDIA GTX 1660 SUPER显卡）进行模型训练。使用SGD优化器，采用余弦退火策略调整学习率（初始0.01，最终0.0001），共训练100个周期。使用精确率（Precision, P）、召回率（Recall, R）、平均精度均值（mAP）以及参数量（Params）、浮点运算数（FLOPs）作为模型性能评估指标。
研究结果
- •
3.1. 主流目标检测模型对比试验
研究人员将APE-YOLOv8n与SSD、Faster R-CNN、DETR以及YOLOv5n、YOLOv6n、YOLOv7-tiny、YOLOv9-tiny、YOLOv10n等多个主流轻量级模型进行了对比。结果表明，APE-YOLOv8n取得了最佳的均衡性能：其mAP@0.5达到94.9%，精度（P）为90.8%，均优于其他对比模型。同时，其参数量（3.4 M）和计算量（5.1 GFLOPs）均为所有对比模型中最低，验证了其高效轻量的特性。可视化检测结果也显示，APE-YOLOv8n在密集种子区域的重叠检测和误检问题上表现优于其他YOLO系列模型。
- •
3.2. 消融实验
通过系统的消融实验，验证了各个改进模块的有效性。实验表明，单独引入ADown、PConv或EIOU均能带来性能提升，而三者结合（即APE-YOLOv8n）效果最佳。与原始YOLOv8n相比，最终模型的参数量和FLOPs分别降低了42.4%和37.0%，而精度（P）和mAP@0.5则分别提升了2.4%和1.3%。使用Grad-CAM生成的热力图可视化进一步证实，改进后的模型能够更准确地聚焦于种子的边缘和胚根区域，减少背景干扰，这是其检测精度提升的重要原因。
- •
3.3. ADown模块与不同模块的对比
为了验证ADown模块的优越性，研究人员将其与DynamicConv、DSConv、WTConv等其他轻量化下采样模块进行了对比。实验结果显示，使用ADown的模型在mAP@0.5（95.0%）和模型大小（5.2 M参数）方面取得了最佳平衡。热力图分析表明，ADown能更有效地关注种子的关键边缘和萌发区域。进一步将ADown拆分为上下两个分支的实验说明，其双分支融合机制能够协同捕获全局特征和局部细节，这是其性能优越的关键。
- •
3.4. PC2f与结合不同轻量模块的C2f对比
研究人员比较了将PConv、SCConv、MSBlock、Context等不同轻量模块整合进C2f结构后的效果。结果表明，整合了PConv的PC2f模块在保持较高检测精度（mAP@0.5: 93.6%）的同时，实现了最低的参数量（4.2 M）和计算量（5.9 GFLOPs）。对特征图的可视化分析显示，PC2f产生的特征图通道间冗余度显著低于原C2f，证明了PConv在减少冗余、提升特征提取效率方面的有效性。
- •
3.5. ADown与PConv添加位置的比较及边界框损失函数对比实验
通过调整ADown和PConv模块在网络中的嵌入位置，发现将ADown用于替换Backbone中的卷积层，并将PConv整合进C2f的Bottleneck，是目前的最优组合。此外，对比了GIOU、DIOU、SIOU和EIOU等不同边界框回归损失函数，验证了EIOU在本研究任务中能取得最高的精度和mAP@0.5。
研究结论与讨论
本研究的核心结论是成功开发了一个名为APE-YOLOv8n的轻量级高精度模型，用于大豆种子发芽检测。该模型通过集成ADown模块、PC2f模块和EIOU损失函数，在自建的覆盖全萌发周期的数据集上，实现了94.9%的mAP@0.5和90.8%的检测精度，同时将模型参数和计算复杂度大幅降低至3.4 M和5.1 GFLOPs。与原始YOLOv8n相比，在精度提升的同时，模型实现了显著的轻量化，为其在边缘设备上的部署奠定了坚实基础。
研究的意义在于：首先，它提供了一种克服传统方法主观性强、效率低下的自动化解决方案，实现了对种子萌发过程客观、快速的评估。其次，模型出色的轻量化设计使其具备了在田间地头、种子加工线等现场进行实时、高通量检测的潜力，推动了智慧农业中关键环节的智能化升级。最后，该研究为基于深度学习的种子表型分析提供了可借鉴的技术框架。
当然，研究也存在一定的局限性。例如，目前模型仅进行“发芽/未发芽”的二元分类，未能对萌发过程进行更精细的阶段划分；模型的训练和验证完全基于实验室可控环境下的图像，在更复杂的田间环境、更多样化的种子品种下的泛化能力有待进一步验证；此外，当前模型侧重于单帧图像检测，尚未整合时序分析能力，无法直接输出发芽动态曲线等更深层次的表型参数。
展望未来，研究人员计划从以下几方面深入探索：一是构建多阶段（如吸胀、露白、幼苗生长）的细粒度数据集，开发能区分不同萌发阶段的模型；二是收集更多样化的品种和环境数据，提升模型的泛化能力和实用性，并完善边缘部署方案；三是在现有高精度检测模型基础上，集成目标跟踪算法，实现对单粒种子全生命周期的连续追踪与表型参数（如发芽动态、整齐度）的自动挖掘，将检测工具升级为系统的种子生理过程表型分析平台。
