基于深度学习的小麦粒数的自动检测研究
Hecang Zang1,2, Yanjing Wang3, Shengwei Wang4
1Institute of Agricultural Information Technology, Henan Academy of Agricultural Sciences, Zhengzhou, China.
Frontiers in plant science
|March 13, 2026
概括
本研究介绍了一种使用计算机视觉的自动化小麦粒计数系统. YOLOv8n模型实现了高精度,在高效的小麦产量估计方面超过了其他深度学习模型.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 小麦产量估计依赖于准确的尖端谷物计数.
- 手动计数是艰苦的,耗时的,对于大规模的繁殖来说不切实际.
- 自动检测小麦粒存在重大挑战.
研究的目的:
- 开发一个快速和自动的小麦尖粒检测系统,使用先进的计算机视觉.
- 评估最先进的深度学习模型对此任务的性能.
- 为小麦育种和产量估计提供一个实用的工具.
主要方法:
- 收集并增强了936张小麦粒图像,总共有3700张图像.
- 训练并测试了六个深度学习模型:YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x,以及更快的R-CNN.
- 开发了一个微信小程序,用于实时计数小麦谷粒.
主要成果:
- YOLOv8n获得了最高的精度 (96.8%),回忆 (96.8%),mAP50 (98.9%) 和mAP50-95 (58.4%).
- YOLOv8n以更少的参数,更低的FLOP,更短的推断时间,更小的模型大小和更少的GPU内存使用率展示了卓越的性能.
- 在小麦粒计数精度和效率方面,YOLOv8n显著优于其他测试模型.
结论:
- YOLOv8n对于自动计数小麦谷粒非常有效,满足育种要求.
- 该型号的多尺度功能融合和轻量级设计提高了性能.
- 开发的系统为各种作物的自动谷物检测和产量估计提供了宝贵的参考.
