紅花是具有重要經(jīng)濟(jì)和藥用價(jià)值的特產(chǎn)作物,，特別是其花絲，廣泛應(yīng)用于提取天然色素和藥用成分,。隨著自動(dòng)化農(nóng)業(yè)技術(shù)的發(fā)展,，紅花絲的自動(dòng)檢測(cè)已成為農(nóng)業(yè)智能裝備研究中的關(guān)鍵問(wèn)題之一。然而，紅花絲的檢測(cè)面臨著諸如尺寸小,、數(shù)量多,、密集分布及背景復(fù)雜等挑戰(zhàn)，尤其是在自然環(huán)境中,，天氣,、拍攝距離等因素進(jìn)一步加劇了檢測(cè)的難度。因此,，提高非結(jié)構(gòu)化環(huán)境下紅花絲的檢測(cè)精度有利于農(nóng)業(yè)機(jī)器人自動(dòng)采摘的發(fā)展,。

新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院張振國(guó)副教授團(tuán)隊(duì)在權(quán)威雜志《Agriculture》在線(xiàn)發(fā)表一篇題為"WED-YOLO: A Detection Model for Safflower Under Complex Unstructured Environment"的研究論文。該研究提出一種改進(jìn)的YOLOv8模型WED-YOLO,，旨在提高紅花絲在復(fù)雜環(huán)境中的檢測(cè)精度,。該模型為應(yīng)對(duì)小目標(biāo)紅花檢測(cè)中常見(jiàn)的困難，引入了如下幾個(gè)重要的技術(shù)改進(jìn)：首先,，使用Wise Intersection over Union (WIoU) 損失函數(shù)替代傳統(tǒng)的IoU損失函數(shù),，WIoU能更好地處理不同尺寸目標(biāo)的邊界框擬合問(wèn)題，尤其對(duì)于像紅花絲這樣的小目標(biāo),，能夠有效提高定位精度,。其次，在模型的頸部網(wǎng)絡(luò)中使用DySample模塊替代傳統(tǒng)的上采樣方式,。該模塊通過(guò)動(dòng)態(tài)點(diǎn)采樣技術(shù)改善圖像上采樣的精度,，特別是在低分辨率或遠(yuǎn)距離視角下，能夠有效減少特征丟失,，提高小目標(biāo)的檢測(cè)能力,。此外，C2f-EMA模塊引入高效多尺度注意力機(jī)制,，增強(qiáng)主干網(wǎng)絡(luò)的特征提取能力,，進(jìn)一步提升模型在復(fù)雜背景下的表現(xiàn)。最后,，WED-YOLO在檢測(cè)頭部加入了專(zhuān)門(mén)針對(duì)小目標(biāo)的預(yù)測(cè)層,，以解決傳統(tǒng)模型難以捕捉紅花絲等小目標(biāo)細(xì)節(jié)的問(wèn)題。

WED-YOLO的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示,。該網(wǎng)絡(luò)引入C2f-EMA模塊，通過(guò)多尺度注意力機(jī)制和跨空間學(xué)習(xí)提高對(duì)復(fù)雜背景中紅花絲特征的提取能力,。為更好地?cái)M合小目標(biāo)邊界框,，網(wǎng)絡(luò)采用了WIoU作為損失函數(shù)，該函數(shù)通過(guò)動(dòng)態(tài)加權(quán)方式增強(qiáng)了小目標(biāo)的定位精度,。使用DySample模塊替代傳統(tǒng)的上采樣方法,，優(yōu)化低分辨率或遠(yuǎn)距離圖像中小目標(biāo)的細(xì)節(jié)恢復(fù)。最后，網(wǎng)絡(luò)在檢測(cè)頭部加入了專(zhuān)門(mén)的小目標(biāo)檢測(cè)層,，進(jìn)一步提升紅花絲等小目標(biāo)的檢測(cè)精度,。

圖1  WED-YOLO網(wǎng)絡(luò)結(jié)構(gòu)圖

為驗(yàn)證WED-YOLO模型在檢測(cè)紅花絲的有效性和性能，進(jìn)行了五組消融實(shí)驗(yàn)進(jìn)行驗(yàn)證,，消融實(shí)驗(yàn)結(jié)果如表1所示,。與原始YOLOv8模型相比，WED-YOLO模型的mAP提高了4.5%,。這表明引入C2f-EMA模塊,、WIoU損失函數(shù)、DySample模塊以及專(zhuān)門(mén)的小目標(biāo)檢測(cè)層提升了網(wǎng)絡(luò)的檢測(cè)性能,。實(shí)驗(yàn)結(jié)果充分證明了這些改進(jìn)在提高紅花絲檢測(cè)精度方面的有效性,。

表1  消融試驗(yàn)的性能比較

            注："√"表示添加的結(jié)構(gòu)；"-"表示未添加的結(jié)構(gòu),。

為評(píng)估WED-YOLO檢測(cè)紅花絲的效果,。在相同條件下，使用紅花絲訓(xùn)練集訓(xùn)練Faster R-CNN,、YOLOv5,、YOLOv7、YOLOv8,、YOLOv10,、WED-YOLO檢測(cè)模型。紅花絲測(cè)試集用于評(píng)估上述6個(gè)檢測(cè)模型的檢測(cè)效果,。表2列出了這6個(gè)檢測(cè)模型的性能比較,。結(jié)果表明，WED-YOLO模型的召回率,、AP和mAP顯著高于其他模型,。WED-YOLO模型在小尺寸紅花絲檢測(cè)中的表現(xiàn)優(yōu)于其他模型，具有出色的綜合檢測(cè)性能,。

表2  6種目標(biāo)檢測(cè)模型的性能

為驗(yàn)證WED-YOLO模型在非結(jié)構(gòu)化環(huán)境中的適應(yīng)性和有效性,，我們根據(jù)不同的天氣、拍攝距離對(duì)自然場(chǎng)景進(jìn)行了分類(lèi),，并在相同的實(shí)驗(yàn)條件下對(duì)不同場(chǎng)景中的紅花圖像進(jìn)行了檢測(cè),。圖2展示出不同場(chǎng)景下的6個(gè)模型的檢測(cè)效果，以此評(píng)估WED-YOLO模型的各項(xiàng)性能,。

圖2  不同自然場(chǎng)景下紅花圖像的識(shí)別結(jié)果

試驗(yàn)結(jié)果表明,，WED-YOLO模型通過(guò)引入多項(xiàng)技術(shù)改進(jìn)，包括C2f-EMA模塊,、WIoU損失函數(shù),、DySample模塊和小目標(biāo)檢測(cè)層,，顯著提高了紅花絲在復(fù)雜環(huán)境中的檢測(cè)精度。在不同天氣和拍攝距離下,，WED-YOLO模型表現(xiàn)出較強(qiáng)的魯棒性和較高的檢測(cè)性能,，為紅花絲的自動(dòng)檢測(cè)與智能農(nóng)業(yè)應(yīng)用提供了可靠的技術(shù)參考。

新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院張振國(guó)副教授為論文的第一及通訊作者,，2023級(jí)碩士研究生王蘊(yùn)澤等為主要完成者,。該研究得到了中央引導(dǎo)地方科技發(fā)展資金（ZYYD2025ZY11）、國(guó)家自然科學(xué)基金（32460449和52265041）等項(xiàng)目的資助,。同時(shí),，感謝新疆云光紅花種植農(nóng)民專(zhuān)業(yè)合作社譚云光理事長(zhǎng)、新疆智能農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室以及合作共建的新疆察縣紅花科技小院在進(jìn)行田間實(shí)驗(yàn)過(guò)程中提供的幫助,。