农业机械学报

作者：王雪，高雅，陶桂香，马铁民，张楠，许善祥，于庆

单位：黑龙江八一农垦大学,黑龙江八一农垦大学,黑龙江八一农垦大学,黑龙江八一农垦大学,黑龙江八一农垦大学,黑龙江八一农垦大学,宁安市东京城镇农业技术推广服务中心,

关键词：稻穗计数;无人机图像;YOLO 11n;轻量化模型;多尺度特征融合

基金：黑龙江省自然科学基金联合引导项目(LH2024E103)、黑龙江八一农垦大学人才引进科研启动项目(XDB202115)和大庆市指导性科技计划项目(zd-2025-046)

稻穗准确计数对估算水稻产量至关重要。然而在实际生产场景中，由于稻田环境复杂、水稻品种繁多、穗部形态多异等原因，现有检测方法存在精度不足、模型参数量大的问题。为此本研究提出一种轻量级稻穗检测模型CBLP-YOLO 11n。首先，在Backbone中，选择C3k2-CFCGLU替换原C3k2模块，增强模型对稻穗的特征提取和表达能力；其次，使用加权双向特征金字塔BiFPN实现多尺度特征信息融合，通过跳跃连接和删除冗余节点的方式，在提高稻穗识别精度的同时，有效降低模型浮点运算量；然后，设计轻量细节增强共享检测头（Lightweight detail-enhanced shared detection head，LDSDH），通过共享卷积降低检测头复杂度；最后采用Powerful-IoUv2损失函数替换原有的CIoU损失函数，加快模型收敛速度，并优化模型对稻穗的定位准确性。实验结果表明：CBLP-YOLO 11n模型的检测精确率为88.2%，召回率为87.9%，平均精度均值为93.9%。与YOLO 11n相比，CBLP-YOLO 11n的精确率提高1.9个百分点，召回率提高1.1个百分点，平均精度均值提高1.3个百分点，参数量下降23.7%，浮点运算量下降40.6%。相比于其它主流模型，CBLP-YOLO 11n模型的平均精度均值最高，内存占用量最小，仅为3.78MB。所提模型实现了对稻穗的精确识别，可部署在无人机等资源受限设备中，为复杂田间背景下稻穗识别计数提供技术支撑。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期