YOLO-Light-Pruned：监测玉米苗数和叶龄的轻量级模型-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

YOLO-Light-Pruned：监测玉米苗数和叶龄的轻量级模型

发布时间：

2025-10-11

来源：

作者：

在田间尺度上快速、准确地监测玉米幼苗数量与叶龄信息，对评估作物早期生长状况及后期长势预测具有重要意义。近年来，基于深度学习的目标检测方法在作物表型识别中取得了显著进展，但现有模型普遍存在计算复杂度高、模型参数量大、田间部署困难等问题。同时，针对玉米叶龄的自动化监测研究仍处于起步阶段。为此本研究提出了两种轻量化检测模型——YOLOv8n-LP与YOLOv11n-LP，用于田间RGB影像的玉米幼苗计数与叶龄识别。该模型在YOLO系列结构基础上，引入了DAttention注意力机制、改进的BiFPN特征融合模块、EfficientHead检测头及层自适应剪枝策略，实现了显著的模型压缩与推理加速。通过在多种分辨率、密度及叶龄阶段的田间影像数据上验证，模型在保证高精度的同时大幅提升了计算效率。

本研究利用无人机与近地面获取影像，探索了轻量化深度学习模型在玉米幼苗计数与叶龄识别中的可行性与精度表现。研究通过构建包含不同获取平台（近地与无人机）、不同分辨率、不同叶龄阶段以及不同种植密度的RGB影像数据集，对YOLOv8n-LP与YOLOv11n-LP模型性能进行了系统评估。本研究的主要目标包括: (1)开发适用于复杂田间环境的轻量化检测模型，实现玉米幼苗数量的自动识别与计数；(2)在保证高精度的前提下显著降低模型参数量与推理时间，提升田间实时部署能力及鲁棒性；(3)结合幼苗计数进一步实现叶龄识别，实现不同平台影像下的高鲁棒性检测。

结果表明，两种模型在玉米幼苗计数中均表现出较高精度和稳定性，YOLOv8n-LP与YOLOv11n-LP的平均精度（AP）分别为0.968和0.969，R²分别达到0.91和0.94，对应的rRMSE仅为6.73%和5.59%。模型参数量分别为0.8 M与0.7 M，较原始模型减少超过73%，推理速度最高提升42.9%。在叶龄识别中，近地影像的rRMSE分别为5.73%与7.54%，无人机影像分别为9.24%与14.44%，表现出良好的跨平台泛化能力。总体而言，YOLOv8n-LP与YOLOv11n-LP兼具高精度与高效率，在复杂田间环境中具备良好的适应性，为玉米早期生长监测和精准农业应用提供了可靠的技术支撑。

文章流程图

YOLOv11n-LP 网络结构图，红色虚线矩形表示修改后的模块

不同模型的玉米幼苗检测精度

不同模型参数比较

不同模型基于训练集和验证集得地面真实值与预测值比较

不同叶龄阶段（从左到右分别为 V2、V3、V4 和 V5）的玉米幼苗检测结果。(a-d）YOLOV8n-LP 结果。(e-h）YOLOV11n-LP 结果

两个模型在不同生育时期（从左到右分别为 V2、V3、V4 和 V5）地面真实值与预测值的比较。(a-d) YOLOV8n-LP, (e-h) YOLOV11n-LP

YOLOv8n-LP (a) 和 YOLOv11n-LP (b) 两个模型在不同种植密度地面真实值与预测值的比较

小区级叶龄估算的混淆矩阵。YOLOv8n-LP (a) 和YOLOv11n-LP (b) 在近地面数据集上的结果。以及YOLOv8n-LP (c) 和YOLOv11n-LP (d) 在无人机数据集上的结果

来源

Jiang, T., Li, L., Zhang, Z., Yu, X., Zhu, Y., Li, L., ... & Jin, X. (2025). YOLO-light-pruned: A lightweight model for monitoring maize seedling count and leaf age using near-ground and UAV RGB images. Artificial Intelligence in Agriculture.

作者介绍

论文第一作者为南京农业大学的博士生江甜甜，论文通讯作者为中国农科院作物科学研究所的殷大萌副研究员和金秀良研究员。本研究得到了中国国家重点研发计划（2022ZD0115701）、中国农业科学院南繁专项（YBXM2401，YBXM2402，PTXM2402，PTXM2501）、国家自然科学基金（42471361，42301427）、中国农业科学院农业科技创新工程的支持。

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示

新华社：探访“黑科技” ，感受智能育种

专题报道