輕量高精：基于 APE-YOLOv8n 的大豆種子發(fā)芽檢測(cè)網(wǎng)絡(luò)及其在智能化品質(zhì)評(píng)估中的應(yīng)用
《Smart Agricultural Technology》：Lightweight and high-precision network for detecting germination of soybean seeds
編輯推薦：
為解決傳統(tǒng)大豆種子發(fā)芽檢測(cè)方法耗時(shí)耗力、依賴(lài)主觀(guān)判斷且難以實(shí)現(xiàn)全周期無(wú)損檢測(cè)的難題，本研究構(gòu)建了涵蓋種子完整萌發(fā)周期的高質(zhì)量圖像數(shù)據(jù)集，并提出了一種基于 YOLOv8n 改進(jìn)的輕量級(jí)目標(biāo)檢測(cè)模型 APE-YOLOv8n。該模型通過(guò)集成 ADown、PConv（Partial Convolution）及 EIOU 損失函數(shù)等創(chuàng)新模塊，在顯著降低模型參數(shù)（3.4 M）和計(jì)算量（5.1 GFLOPs）的同時(shí)，將檢測(cè)精度（Precision）和 mAP@0.5 分別提升至 90.8% 與 94.9%。該研究為農(nóng)業(yè)邊緣計(jì)算設(shè)備提供了一種高效、精準(zhǔn)的種子活力智能評(píng)估解決方案。
大豆，作為全球至關(guān)重要的糧食與油料作物，其產(chǎn)量和品質(zhì)直接關(guān)乎農(nóng)業(yè)經(jīng)濟(jì)與糧食安全。決定大豆產(chǎn)量的第一道關(guān)卡，是種子的質(zhì)量，而衡量種子質(zhì)量最核心的指標(biāo)之一便是發(fā)芽率。一顆發(fā)芽率高、活力強(qiáng)的種子，意味著更高的出苗整齊度、更強(qiáng)的抗逆能力，以及最終更可觀(guān)的產(chǎn)量回報(bào)。根據(jù)國(guó)家標(biāo)準(zhǔn)，用于播種的大豆種子發(fā)芽率必須達(dá)到85%以上。因此，在種子上市銷(xiāo)售前，準(zhǔn)確測(cè)定其發(fā)芽率是必不可少的環(huán)節(jié)。
然而，傳統(tǒng)的發(fā)芽率檢測(cè)方法面臨諸多困境。目前普遍采用的方法是“發(fā)芽試驗(yàn)”：在實(shí)驗(yàn)室恒溫恒濕條件下，人工定時(shí)觀(guān)察并統(tǒng)計(jì)發(fā)芽的種子數(shù)量。這個(gè)過(guò)程不僅耗時(shí)漫長(zhǎng)（通常需要數(shù)天），而且極度依賴(lài)檢測(cè)人員的經(jīng)驗(yàn)和主觀(guān)判斷，重復(fù)性差，誤差大。更重要的是，它無(wú)法實(shí)現(xiàn)“全周期、非破壞性”的連續(xù)監(jiān)測(cè)。我們無(wú)法在不干擾種子正常生長(zhǎng)的前提下，實(shí)時(shí)、動(dòng)態(tài)地跟蹤每一顆種子從吸水、露白到幼根伸長(zhǎng)的完整萌發(fā)歷程。此外，在發(fā)芽后期，種子根須相互纏繞、形態(tài)復(fù)雜，進(jìn)一步加大了人工識(shí)別的難度。有沒(méi)有一種方法，能像給種子做“CT掃描”一樣，快速、無(wú)損且客觀(guān)地評(píng)判它們的生命力呢？
隨著人工智能技術(shù)的飛速發(fā)展，基于計(jì)算機(jī)視覺(jué)的智能檢測(cè)為解決這一難題帶來(lái)了曙光。其中，YOLO（You Only Look Once）系列模型以其高效、精準(zhǔn)的實(shí)時(shí)目標(biāo)檢測(cè)能力，在農(nóng)業(yè)病蟲(chóng)害識(shí)別、果實(shí)分級(jí)等多個(gè)領(lǐng)域展現(xiàn)出巨大潛力。但是，直接將現(xiàn)有模型用于大豆種子發(fā)芽檢測(cè)，仍面臨獨(dú)特挑戰(zhàn)：種子萌發(fā)是一個(gè)連續(xù)的形態(tài)演變過(guò)程，目標(biāo)尺度變化大；后期根須密集、相互遮擋，導(dǎo)致特征提取困難；此外，標(biāo)準(zhǔn)模型通常參數(shù)量大、計(jì)算復(fù)雜，難以部署到資源有限的田間地頭或便攜式邊緣設(shè)備上。
為此，湖南科技大學(xué)的研究團(tuán)隊(duì)在《Smart Agricultural Technology》上發(fā)表了一項(xiàng)創(chuàng)新研究。他們決心開(kāi)發(fā)一個(gè)專(zhuān)為大豆種子發(fā)芽檢測(cè)量身定制的輕量高精度智能模型。為了回答“如何實(shí)現(xiàn)大豆種子發(fā)芽過(guò)程的快速、精準(zhǔn)、自動(dòng)化檢測(cè)”這一核心問(wèn)題，研究人員系統(tǒng)性地開(kāi)展了一系列工作。他們首先搭建了一套標(biāo)準(zhǔn)的種子萌發(fā)圖像采集系統(tǒng)，獲取了覆蓋整個(gè)萌發(fā)周期的高質(zhì)量圖像數(shù)據(jù)，并構(gòu)建了大規(guī)模、高質(zhì)量的數(shù)據(jù)集。以此為基礎(chǔ)，他們以高效的YOLOv8n模型為藍(lán)本，進(jìn)行了一系列精巧的“瘦身”與“強(qiáng)心”改造，創(chuàng)造出了名為APE-YOLOv8n的新模型。實(shí)驗(yàn)結(jié)果表明，這個(gè)新模型不僅“眼力”更準(zhǔn)，識(shí)別發(fā)芽種子的平均精度（mAP@0.5）高達(dá)94.9%，而且“身材”更苗條，模型參數(shù)和計(jì)算量相比原模型大幅降低，非常適合在手機(jī)、嵌入式設(shè)備等邊緣終端上運(yùn)行。這項(xiàng)研究為種子質(zhì)量的智能化、自動(dòng)化評(píng)估開(kāi)辟了一條全新的技術(shù)路徑。
關(guān)鍵技術(shù)方法
為開(kāi)展此項(xiàng)研究，作者主要采用了以下幾項(xiàng)關(guān)鍵技術(shù)方法：
- 1.
數(shù)據(jù)集構(gòu)建與增強(qiáng)：嚴(yán)格遵循國(guó)家標(biāo)準(zhǔn)進(jìn)行大豆種子發(fā)芽實(shí)驗(yàn)，使用集成工業(yè)相機(jī)和恒溫培養(yǎng)箱的采集系統(tǒng)，在60小時(shí)內(nèi)以12小時(shí)間隔拍攝萌發(fā)圖像，共獲得320張?jiān)紙D像。使用LabelImg軟件進(jìn)行“發(fā)芽”與“未發(fā)芽”的邊界框標(biāo)注。為增強(qiáng)模型魯棒性，對(duì)原始圖像及標(biāo)簽進(jìn)行了高斯模糊、縮放、旋轉(zhuǎn)和亮度變化等數(shù)據(jù)增強(qiáng)，最終構(gòu)建了包含1600張圖像（訓(xùn)練集960張、驗(yàn)證集和測(cè)試集各320張）的數(shù)據(jù)集。
- 2.
模型架構(gòu)改進(jìn)：以YOLOv8n為基礎(chǔ)網(wǎng)絡(luò)，進(jìn)行了三方面核心改進(jìn)：
- •
引入ADown模塊替代原始卷積層進(jìn)行下采樣，該模塊通過(guò)雙分支（大感受野捕捉全局信息，小感受野捕捉局部細(xì)節(jié)）實(shí)現(xiàn)跨尺度特征融合，提升了對(duì)種子缺陷及細(xì)微形態(tài)變化的感知能力。
- •
在C2f模塊的Bottleneck結(jié)構(gòu)中整合PConv，該卷積僅對(duì)部分輸入通道進(jìn)行卷積運(yùn)算，大幅減少了特征冗余和內(nèi)存訪(fǎng)問(wèn)，提升了特征提取效率。
- •
采用EIOU損失函數(shù)替代原CIOU損失，通過(guò)獨(dú)立優(yōu)化邊界框的寬、高差異，加速模型收斂并提升定位精度，尤其適用于萌發(fā)后期種子密集、邊界框易重疊的場(chǎng)景。
- 3.
模型訓(xùn)練與評(píng)估：在統(tǒng)一實(shí)驗(yàn)平臺(tái)上（Intel i5處理器，NVIDIA GTX 1660 SUPER顯卡）進(jìn)行模型訓(xùn)練。使用SGD優(yōu)化器，采用余弦退火策略調(diào)整學(xué)習(xí)率（初始0.01，最終0.0001），共訓(xùn)練100個(gè)周期。使用精確率（Precision, P）、召回率（Recall, R）、平均精度均值（mAP）以及參數(shù)量（Params）、浮點(diǎn)運(yùn)算數(shù)（FLOPs）作為模型性能評(píng)估指標(biāo)。
研究結(jié)果
- •
3.1. 主流目標(biāo)檢測(cè)模型對(duì)比試驗(yàn)
研究人員將APE-YOLOv8n與SSD、Faster R-CNN、DETR以及YOLOv5n、YOLOv6n、YOLOv7-tiny、YOLOv9-tiny、YOLOv10n等多個(gè)主流輕量級(jí)模型進(jìn)行了對(duì)比。結(jié)果表明，APE-YOLOv8n取得了最佳的均衡性能：其mAP@0.5達(dá)到94.9%，精度（P）為90.8%，均優(yōu)于其他對(duì)比模型。同時(shí)，其參數(shù)量（3.4 M）和計(jì)算量（5.1 GFLOPs）均為所有對(duì)比模型中最低，驗(yàn)證了其高效輕量的特性。可視化檢測(cè)結(jié)果也顯示，APE-YOLOv8n在密集種子區(qū)域的重疊檢測(cè)和誤檢問(wèn)題上表現(xiàn)優(yōu)于其他YOLO系列模型。
- •
3.2. 消融實(shí)驗(yàn)
通過(guò)系統(tǒng)的消融實(shí)驗(yàn)，驗(yàn)證了各個(gè)改進(jìn)模塊的有效性。實(shí)驗(yàn)表明，單獨(dú)引入ADown、PConv或EIOU均能帶來(lái)性能提升，而三者結(jié)合（即APE-YOLOv8n）效果最佳。與原始YOLOv8n相比，最終模型的參數(shù)量和FLOPs分別降低了42.4%和37.0%，而精度（P）和mAP@0.5則分別提升了2.4%和1.3%。使用Grad-CAM生成的熱力圖可視化進(jìn)一步證實(shí)，改進(jìn)后的模型能夠更準(zhǔn)確地聚焦于種子的邊緣和胚根區(qū)域，減少背景干擾，這是其檢測(cè)精度提升的重要原因。
- •
3.3. ADown模塊與不同模塊的對(duì)比
為了驗(yàn)證ADown模塊的優(yōu)越性，研究人員將其與DynamicConv、DSConv、WTConv等其他輕量化下采樣模塊進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果顯示，使用ADown的模型在mAP@0.5（95.0%）和模型大小（5.2 M參數(shù)）方面取得了最佳平衡。熱力圖分析表明，ADown能更有效地關(guān)注種子的關(guān)鍵邊緣和萌發(fā)區(qū)域。進(jìn)一步將ADown拆分為上下兩個(gè)分支的實(shí)驗(yàn)說(shuō)明，其雙分支融合機(jī)制能夠協(xié)同捕獲全局特征和局部細(xì)節(jié)，這是其性能優(yōu)越的關(guān)鍵。
- •
3.4. PC2f與結(jié)合不同輕量模塊的C2f對(duì)比
研究人員比較了將PConv、SCConv、MSBlock、Context等不同輕量模塊整合進(jìn)C2f結(jié)構(gòu)后的效果。結(jié)果表明，整合了PConv的PC2f模塊在保持較高檢測(cè)精度（mAP@0.5: 93.6%）的同時(shí)，實(shí)現(xiàn)了最低的參數(shù)量（4.2 M）和計(jì)算量（5.9 GFLOPs）。對(duì)特征圖的可視化分析顯示，PC2f產(chǎn)生的特征圖通道間冗余度顯著低于原C2f，證明了PConv在減少冗余、提升特征提取效率方面的有效性。
- •
3.5. ADown與PConv添加位置的比較及邊界框損失函數(shù)對(duì)比實(shí)驗(yàn)
通過(guò)調(diào)整ADown和PConv模塊在網(wǎng)絡(luò)中的嵌入位置，發(fā)現(xiàn)將ADown用于替換Backbone中的卷積層，并將PConv整合進(jìn)C2f的Bottleneck，是目前的最優(yōu)組合。此外，對(duì)比了GIOU、DIOU、SIOU和EIOU等不同邊界框回歸損失函數(shù)，驗(yàn)證了EIOU在本研究任務(wù)中能取得最高的精度和mAP@0.5。
研究結(jié)論與討論
本研究的核心結(jié)論是成功開(kāi)發(fā)了一個(gè)名為APE-YOLOv8n的輕量級(jí)高精度模型，用于大豆種子發(fā)芽檢測(cè)。該模型通過(guò)集成ADown模塊、PC2f模塊和EIOU損失函數(shù)，在自建的覆蓋全萌發(fā)周期的數(shù)據(jù)集上，實(shí)現(xiàn)了94.9%的mAP@0.5和90.8%的檢測(cè)精度，同時(shí)將模型參數(shù)和計(jì)算復(fù)雜度大幅降低至3.4 M和5.1 GFLOPs。與原始YOLOv8n相比，在精度提升的同時(shí)，模型實(shí)現(xiàn)了顯著的輕量化，為其在邊緣設(shè)備上的部署奠定了堅(jiān)實(shí)基礎(chǔ)。
研究的意義在于：首先，它提供了一種克服傳統(tǒng)方法主觀(guān)性強(qiáng)、效率低下的自動(dòng)化解決方案，實(shí)現(xiàn)了對(duì)種子萌發(fā)過(guò)程客觀(guān)、快速的評(píng)估。其次，模型出色的輕量化設(shè)計(jì)使其具備了在田間地頭、種子加工線(xiàn)等現(xiàn)場(chǎng)進(jìn)行實(shí)時(shí)、高通量檢測(cè)的潛力，推動(dòng)了智慧農(nóng)業(yè)中關(guān)鍵環(huán)節(jié)的智能化升級(jí)。最后，該研究為基于深度學(xué)習(xí)的種子表型分析提供了可借鑒的技術(shù)框架。
當(dāng)然，研究也存在一定的局限性。例如，目前模型僅進(jìn)行“發(fā)芽/未發(fā)芽”的二元分類(lèi)，未能對(duì)萌發(fā)過(guò)程進(jìn)行更精細(xì)的階段劃分；模型的訓(xùn)練和驗(yàn)證完全基于實(shí)驗(yàn)室可控環(huán)境下的圖像，在更復(fù)雜的田間環(huán)境、更多樣化的種子品種下的泛化能力有待進(jìn)一步驗(yàn)證；此外，當(dāng)前模型側(cè)重于單幀圖像檢測(cè)，尚未整合時(shí)序分析能力，無(wú)法直接輸出發(fā)芽動(dòng)態(tài)曲線(xiàn)等更深層次的表型參數(shù)。
展望未來(lái)，研究人員計(jì)劃從以下幾方面深入探索：一是構(gòu)建多階段（如吸脹、露白、幼苗生長(zhǎng)）的細(xì)粒度數(shù)據(jù)集，開(kāi)發(fā)能區(qū)分不同萌發(fā)階段的模型；二是收集更多樣化的品種和環(huán)境數(shù)據(jù)，提升模型的泛化能力和實(shí)用性，并完善邊緣部署方案；三是在現(xiàn)有高精度檢測(cè)模型基礎(chǔ)上，集成目標(biāo)跟蹤算法，實(shí)現(xiàn)對(duì)單粒種子全生命周期的連續(xù)追蹤與表型參數(shù)（如發(fā)芽動(dòng)態(tài)、整齊度）的自動(dòng)挖掘，將檢測(cè)工具升級(jí)為系統(tǒng)的種子生理過(guò)程表型分析平臺(tái)。
