改进YOLO v8n的无人机高分辨率水稻幼苗数目检测方法  

Detection of rice seedling number by high-resolution UAV with improved YOLO v8n

作　　者：王鑫泽 何超[1] 方国文 黄立闩 李熠璇 张晓青 Wang Xinze

机构地区：[1]西南林业大学机械与交通学院,云南昆明650000

出　　处：《江苏农业科学》2025年第5期95-104,共10页Jiangsu Agricultural Sciences

基　　金：国家自然科学基金(编号:51968065);云南省科技厅农业联合专项(编号:202301BD070001-077);云南省高层次人才项目(编号:YNWR-QNBJ-2018-066、YNQR-CYRC-2019-001)。

摘　　要：针对我国水稻机播率不足50%,高速机播出现操作不当、对秧池判断失误、天气引起存活降低等原因出现空穴率的问题,导致无法准确判断水稻密度并实施精确补插计划,提出了一种低成本的改进YOLO v8n算法的轻量化识别水稻幼苗数目的方法。首先,使用动态KWConv代替普通Conv,使卷积参数更加高效,卷积更加适合水稻幼苗数据集;其次,设计全新的C2f_KW模块代替部分C2f,减少模型的计算量,并提高了模型的检测精度;最后,使用WIoU边界损失函数解决了CIoU损失函数对样本质量较差的局限性。试验结果表明,改进YOLO v8n模型的mAP0.5、mAP0.5~0.95分别为99.19%、72.56%;相比原模型YOLO v8n,mAP0.5和mAP0.5~0.95分别提高0.50、4.13百分点,并且模型计算量从8.2 G降到5.8 G,实现了更广泛的无人机部署条件,改进YOLO v8n模型与主流模型Faster R-CNN、YOLO v5n、YOLO v5s、YOLO v7、YOLO v7-tiny、YOLO v8n-Swin Transformer等相比有着不同程度提升,提高35.27、5.01、2.69、9.54、13.14、3.45百分点。本研究方法对无人机监测统计水稻幼苗提供了有效的支持,为水稻种植相关研究提供了借鉴。

关 键 词：水稻幼苗 数量检测 KW卷积 WIoU YOLO v8n 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]