基于改进的YOLOv8n模型对玉米种子发芽率的研究
Helong Yu1,2, Jiayao Zhao1, Chunguang Bi1
1College of Information Technology, Jilin Agricultural University, Changchun, China.
Frontiers in plant science
|June 10, 2025
概括
这项研究介绍了EBS-YOLOv8,一种增强的AI模型,用于准确检测玉米种子发芽和测量潜力. 新方法改进了传统技术,提供了一种更有效的方法来评估种子质量和预测玉米产量.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 测量玉米种子发芽潜力的传统方法是资源密集的,不能有效地捕捉发芽率.
- 精确评估种子质量对于优化玉米产量至关重要.
研究的目的:
- 开发一个增强的人工智能模型,用于准确检测玉米种子发芽,以及测量发芽潜力的新方法.
- 改善玉米种子质量评估现有的局限性.
主要方法:
- 一个公共的玉米种子发芽数据集被增加了噪音来模拟现实条件,最终得到了8148张图像.
- 提出了一个增强的YOLOv8模型 (EBS-YOLOv8),结合ECA注意力,P2BiFPN和ScConv,以改进小目标检测和特征提取.
- 开发了一种新的数学建模算法,用于测量种子发芽潜力和发芽率.
主要成果:
- EBS-YOLOv8模型实现了高性能指标:98.9% mAP50,95.8% mAP50-95,96.7%的准确性和96.3%的回忆.
- 与原始YOLOv8相比,增强型模型显示了显著的改进,mAP50增加了0.9%,mAP50-95增加了3.7%.
- 提出的方法有效地描绘了种子发芽率随时间变化的变化.
结论:
- EBS-YOLOv8模型和新型测量方法在评估玉米种子发芽潜力和发芽率方面取得了重大进展.
- 这项研究为未来关于种子发芽和质量评估的研究提供了新的视角.
- 这些发现对改善农业实践和提高玉米产量有影响.
