swing raw sex5 基于YOLOv8-MRF模子的当然环境下小麦分蘖检测洽商

小麦是宇宙教化面积最广的食粮作物之一，为宇宙约40%的东谈主口提供食品。在中国，小麦是第二大食粮作物swing raw sex5，对国度食粮安全和社会强壮至关迫切。提高小麦产量一直是洽商东谈主员的主要存眷点。分蘖是组成小麦产量的迫切要素之一。传统上，通过东谈主工不雅察来识别和计数小麦分蘖，这种法子不仅耗时，何况存在主不雅性，截止了农业科学洽商和分娩遵循的普及。跟着筹画机视觉时代的快速发展，基于深度学习的意见检测算法在自看成物监测法子中越来越受到存眷，深入出广阔的后劲。因此，投合深度学习算法成立一种快速、准确的小麦分蘖检测法子，以普及农业遵循和精确度尤为迫切。

近日，Smart Agricultural Technology在线发表了四川农业大学刘亚西锻练团队题为“Research on detection of wheat tillers in natural environment based on YOLOv8-MRF”的洽商论文。著述详确先容了基于YOLOv8-MRF模子的小麦分蘖检测法子。

洽商者提议YOLOv8-MRF模子（图1），成立了一种在当然环境下检测小麦苗期分蘖的算法。该法子在YOLOv8主干积贮首集成了增强的多旅途坐标崇拜力机制（multi-path coordinate attention , MPCA），捕捉多法度特征，权贵提高了分蘖识别智力。通过将CSPDarknet53 to 2-Stage FPN（C2F）模块替换为感受野崇拜力卷积（receptive field attention convolution , RFCAConv），搞定了参数分享的截止，强调了特征的迫切性，增强了采集性能。临了袭取Focaler-CIoU失掉替换传统的CIoU以提高模子的检测准确率。

图1 YOLOv8-MRF采集中构swing raw sex5

为了讲明注解模子的增强性能，本洽商与包括RTDETR、YOLOv5、YOLOv7和YOLOv8在内的几种流行的意见检测框架进行了比拟实验。落幕标明，YOLOv7在检测精度上推崇优异，但其较慢的检测速率给及时检测的本体应用带来了侵略。YOLOv8的权要紧小为6MB，仅占YOLOv7所需参数的8%。此外，YOLOv8的mAP50为87.6%，比YOLOv5和RTDETR分别高出2.4%和7%。总体而言，就均衡小麦分蘖识别的准确性与图像处理速率而言，YOLOv8具有一定的上风。

为了评估YOLOv8-MRF模子中各项纠正格式的灵验性偏激对小麦分蘖检测任务性能的普及孝敬，本洽商针对提议的三个纠正格式进行了消融实验，落幕标明所提议的YOLOv8-MRF模子在小麦分蘖检测任务中的各个性能越过了原始模子，精度提高了2.5%，调回率提高了5.5%，平均精度提高了4.1%。图2愈加直不雅地展示了增强模子在调回率和平均精度方面均越过了原始模子。此外，增强模子还保握了原始模子荒谬的筹画复杂度，这意味着在不权贵加多筹画职守的前提下，YOLOv8-MRF模子通过灵验的纠正格式，齐备了对小麦分蘖检测性能的权贵普及，具备了更高的准确性和强劲的泛化智力，有时更好地吩咐当然环境中的复杂检测挑战。

图2 调回率和平均精度弧线的比拟

本洽商对所建YOLOv8-MRF模子进行了测试，评估其在复杂布景下的小麦分蘖检测性能。测试落幕如图3所示，A1-A4为模子纠正前的检测效果，存在叶片被诞妄识别为分蘖以及合并分蘖被叠加检测等风景，这反馈出原始模子在特征索求方面存在不及，难以灵验差异叶片与分蘖。而B1-B4展示了模子纠正后的检测落幕，本洽商提议的YOLOv8-MRF模子得胜克服了当然环境均分蘖检测靠近的小意见识别、复杂布景干预以及分蘖讳饰等难题，权贵普及了检测的准确性和可靠性。

西西裸体艺术

图3 模子纠正前后检测落幕

本洽商作家所提议的YOLOv8-MRF模子在当然要求下检测小麦分蘖方面获取了权贵进展。该模子通过整合YOLOv8架构、增强的MPCA机制、RFCAConv模块和Focaler-CIoU失掉函数，灵验地搞定了小意见检测、复杂布景和讳饰等挑战。YOLOv8-MRF模子的发展不仅提高了农业分娩智能化水平，还对资源诈欺和科研跳动具有更庸碌的影响。它通过提高农业执行的精度和遵循来维持可握续发展。该模子的改日迭代可能会整合更先进的深度学习时代，并在更庸碌的农业应用中进行测试，进一步肃肃其在推进农业时代发展中的作用。

四川农业大学在读硕士生梁敏、张雨晨为该论文的共同作家swing raw sex5，刘亚西锻练为通信作家。该洽商得到了国度要点研发联想、四川省当然科学基金、国度农业科学与时代中心肠方财政资金、中国香烟总公司要紧科技样式和西南作物基因资源发掘与诈欺国度要点实验室样式的资助。