Deep learning-based detection and counting of wheat seeds: Comparative benchmarking of YOLO models

自动化小麦种子检测与计数在高通量植物表型分析、种子表征和农业研究中发挥着重要作用。传统的人工计数在处理大量种子样本时劳动强度大、耗时长且易受人为误差影响。近年来深度学习和目标检测的进展为利用常规RGB图像实现这些任务的自动化提供了机遇。本研究聚焦于基于深度学习的框架，利用自定义红绿蓝（RGB）图像数据集进行小麦种子检测及基于检测的计数。构建了一个包含832张RGB图像、3，649个手动标注小麦种子实例的数据集，图像中每张包含一到十粒脱离的小麦种子。所有种子实例均使用边界框进行手动标注，并形式化为单类目标检测问题。在相同实验条件下训练和评估了两种轻量级目标检测模型YOLOv8n和YOLO11n。采用精确率、召回率、交并比（IoU）阈值为0.5时的平均精度均值（[email protected]）、IoU阈值从0.5到0.95的平均精度均值（[email protected]:0.95）、训练损失曲线、基于置信度的性能曲线、混淆矩阵以及定性检测输出对模型性能进行了评估。两种模型在自定义小麦种子数据集上均取得了优异的检测性能。YOLOv8n的精确率为0.9947，召回率为0.9963，[email protected]为0.9940，[email protected]:0.95为0.5284。YOLO11n的性能略高，精确率为0.9988，召回率为0.9984，[email protected]为0.9950，[email protected]:0.95为0.5385。总体而言，两种模型在[email protected]上的性能相似，但在[email protected]:0.95这一更严格的指标下，YOLO11n始终展现出最强的整体性能。研究结果表明，轻量级YOLO模型结合RGB成像为小麦种子的自动化定位和计数提供了一种有效且简便的方法。该框架提供了一个手动标注的RGB小麦种子数据集和一个可重复的基准，用于比较轻量级YOLO模型的检测性能。本研究为未来自动化种子表型分析研究提供了实用基础，未来工作将侧重于使用更多样化数据集进行外部验证、多类种子质量评估以及计数性能的定量评价。