复杂大田场景下基于改进YOLOv8的小麦幼苗期叶片数快速检测方法.pdf

2024年7月第6卷第4期智慧农业（中英文）SmartAgricultureJul.2024Vol.6,No.4

复杂大田场景下基于改进YOLOv8的小麦

幼苗期叶片数快速检测方法

1，2，31，2，3*41，2，31，2，31，2，3

侯依廷，饶元，宋贺，聂振君，王坦，何豪旭

（1.安徽农业大学信息与人工智能学院，安徽合肥230036，中国；2.农业农村部农业传感器重点实验室，安徽合肥

230036，中国；3.智慧农业技术与装备安徽省重点实验室，安徽合肥230036，中国；4.安徽农业大学农学院，安徽合

肥230036，中国）

摘要：［［目的目的/意义意义］］小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一。目前大

田环境下小麦叶片计数主要依靠人工、耗时耗力，而现有的自动化检测计数方法的效率与精度难以满足实际应用

需求。为提高小麦叶片数检测的准确性，设计了一种复杂大田环境下高效识别小麦叶尖的算法。［［方法方法］］本研究以

手机和田间摄像头获取的可见光图像构建了两种典型光照条件下出苗期、分蘖期、越冬期等多个生长期的小麦叶

片图像数据集。以YOLOv8为基础网络，融合坐标注意力机制降低背景环境的干扰，提高模型对小麦叶尖轮廓信

息的提取能力；替换损失函数加快模型收敛速度；增加小目标检测层提高对小麦叶尖的识别效果，降低漏检率。

设计了一种适用于叶尖小目标识别的深度学习网络，通过检测图像叶尖数量从而得出叶片数。［［结果与讨论结果与讨论］］本研

究提出的方法对小麦叶尖的识别精确率和mAP0.5分别达到91.6%和85.1%，具有良好的检测效果。在复杂大田环境

下该方法具有更好的适应能力，能够在不同光照条件下实现自适应检测，模型鲁棒性强。小麦幼苗期叶片检测漏

检率低，说明该方法能够满足复杂大田场景下小麦叶尖识别的需求，提高了小麦叶片数检测的准确性。［［结论结论］］本

研究可为复杂大田场景下小麦叶片数检测的研究提供参考，为小麦长势高质量评估提供技术支撑。

关键词：小麦叶片；叶尖识别；叶片计数；注意力机制；YOLOv8；深度学习

中图分类号：S24文献标志码：A文章编号：SA202403019

引用格式：侯依廷,饶元,宋贺,聂振君,王坦,何豪旭.复杂大田场景下基于改进YOLOv8的小麦幼苗期叶片数快速

检测方法[J].智慧农业(中英文),2024,6(4):128-137.DOI：10.12133/j.smartag.SA202403019

HOUYiting,RAOYuan,SONGHe,NIEZhenjun,WANGTan,HEHaoxu.ARapidDetectionMethodforWheatSeed‐

lingLeafNumberinComplexFieldScenariosBasedonImprovedYOLOv8[J].SmartAgriculture,2024,6(4):128-137.

DOI：10.12133/j.smartag.SA202403019(inChinesewithEnglishabstract)

0引言提高起着决定性作用，是确定小麦茎蘖结构、调节

群体结构的重要指标。纵观小麦叶片检测方法的发

随着现代农业技术的快速发展，作物生长状态

展历程，可以得出：基于人工计数的方法具有主观

的实时监测和精准管理成为了提高作物产量和质量

［1］