基于无人机图像与WCD-YOLO的大田棉花缺苗评估方法OA

【目的】棉花缺苗会显著降低作物产量,早期评估对于农田的有效管理至关重要。传统的实地调查方法无法满足大规模评估的需求。为解决这一问题,本研究提出了一种基于无人机图像和WCD-YOLO模型的棉花缺苗评估新方法。【方法】该模型整合了改进的GhostNet作为轻量级骨干网络,BiFPN颈部网络结合P2检测头以增强小目标检测,并替换EIoU为损失函数以解决数据集不平衡的问题;该方法包括对棉田无人机图像进行区域划分,计算区域幼苗缺失率,并建立苗间距离和缺苗率之间的相关函数,最终实现棉田分区域缺苗计算。【结果】与基准YOLOv5m相比,WCD-YOLO的模型大小减至18.2 MB,仅为原模型的45.27%,平均精度(mAP)提高2.32个百分点,达86.52%。与主流目标检测模型TOOD、CenterNet、YOLOv3、YOLOv7、YOLOv8、YOLOv10相比,WCD-YOLO模型的mAP较上述模型分别高出11.11%、7.97%、3.27%、2.25%、0.93%、1.01%,并且在参数量与计算量方面具有明显优势。在3个测试图像中,该评估方法的区域平均绝对误差(MAE)分别为1.72、2.86和1.78,决定系数R^(2)为84.82%。【结论】该研究为早期补种决策和智能棉田管理提供了可靠方案,有助于大田棉花生产的顺利开展。