基于无人机视频流的小麦穗数精准监测研究OA

为了解利用深度学习技术实现小麦穗数高效精准测定的可行性,选取黄淮冬麦区10个小麦主栽品种(泛麦8号、周麦36、中麦895、马兰1号、新麦26、豫麦49、济麦22、中麦578、郑麦1860和中麦255),设置120万、240万和360万株·hm^(-2)三个种植密度,采用YOLO v5、YOLO v6、YOLO v8和YOLO v10四种深度学习算法,构建通过视频流实时识别计数小麦穗数的模型,并以小麦品种中麦578的生产田群体(300万株·hm^(-2))进行预测精度验证。结果表明,不同模型损失函数起点和下降幅度均存在差异,各模型对麦穗的检测性能均随迭代次数的增加而提升。在训练时间和检测效率方面,YOLO v6和YOLO v10模型速度较快,但检测性能和准确率均低于YOLO v5和YOLO v8。YOLO v5和YOLO v8模型耗时相对较长,但YOLO v8模型的召回率、F1分数、平均精度及准确率表现最佳,分别为90.90%、93.00%、97.20%和88.00%。YOLO v8模型识别穗数与真实计数的相关性随种植密度增加而降低,在三个种植密度下r^(2)分别为0.92、0.81和0.79。经生产田群体验证,综合考虑r^(2)、RMSE和MAE值,YOLO v8模型相对其他模型在小麦灌浆各阶段的穗数识别中表现最稳定,识别穗数精度最高;在视频流中YOLO v8模型检测穗数的r^(2)最高,达到0.90。这说明YOLO v8模型在小麦群体穗数识别方面具有较高的可靠性,受种植密度、品种和穗数发育阶段影响较小,在复杂田间环境下同样表现出较好的鲁棒性和高效性,适用于产量预测、育种研究、栽培管理等场景。