红花是具有重要经济和药用价值的特产作物，特别是其花丝，广泛应用于提取天然色素和药用成分。随着自动化农业技术的发展，红花丝的自动检测已成为农业智能装备研究中的关键问题之一。然而，红花丝的检测面临着诸如尺寸小、数量多、密集分布及背景复杂等挑战，尤其是在自然环境中，天气、拍摄距离等因素进一步加剧了检测的难度。因此，提高非结构化环境下红花丝的检测精度有利于农业机器人自动采摘的发展。
世界杯投注地址机电工程学院张振国副教授团队在权威杂志《Agriculture》在线发表一篇题为"WED-YOLO: A Detection Model for Safflower Under Complex Unstructured Environment"的研究论文。该研究提出一种改进的YOLOv8模型WED-YOLO，旨在提高红花丝在复杂环境中的检测精度。该模型为应对小目标红花检测中常见的困难，引入了如下几个重要的技术改进：首先，使用Wise Intersection over Union (WIoU) 损失函数替代传统的IoU损失函数，WIoU能更好地处理不同尺寸目标的边界框拟合问题，尤其对于像红花丝这样的小目标，能够有效提高定位精度。其次，在模型的颈部网络中使用DySample模块替代传统的上采样方式。该模块通过动态点采样技术改善图像上采样的精度，特别是在低分辨率或远距离视角下，能够有效减少特征丢失，提高小目标的检测能力。此外，C2f-EMA模块引入高效多尺度注意力机制，增强主干网络的特征提取能力，进一步提升模型在复杂背景下的表现。最后，WED-YOLO在检测头部加入了专门针对小目标的预测层，以解决传统模型难以捕捉红花丝等小目标细节的问题。
WED-YOLO的网络结构图如图1所示。该网络引入C2f-EMA模块，通过多尺度注意力机制和跨空间学习提高对复杂背景中红花丝特征的提取能力。为更好地拟合小目标边界框，网络采用了WIoU作为损失函数，该函数通过动态加权方式增强了小目标的定位精度。使用DySample模块替代传统的上采样方法，优化低分辨率或远距离图像中小目标的细节恢复。最后，网络在检测头部加入了专门的小目标检测层，进一步提升红花丝等小目标的检测精度。
图1 WED-YOLO网络结构图
为验证WED-YOLO模型在检测红花丝的有效性和性能，进行了五组消融实验进行验证，消融实验结果如表1所示。与原始YOLOv8模型相比，WED-YOLO模型的mAP提高了4.5%。这表明引入C2f-EMA模块、WIoU损失函数、DySample模块以及专门的小目标检测层提升了网络的检测性能。实验结果充分证明了这些改进在提高红花丝检测精度方面的有效性。
表1 消融试验的性能比较
注："√"表示添加的结构；"-"表示未添加的结构。
为评估WED-YOLO检测红花丝的效果。在相同条件下，使用红花丝训练集训练Faster R-CNN、YOLOv5、YOLOv7、YOLOv8、YOLOv10、WED-YOLO检测模型。红花丝测试集用于评估上述6个检测模型的检测效果。表2列出了这6个检测模型的性能比较。结果表明，WED-YOLO模型的召回率、AP和mAP显著高于其他模型。WED-YOLO模型在小尺寸红花丝检测中的表现优于其他模型，具有出色的综合检测性能。
表2 6种目标检测模型的性能
为验证WED-YOLO模型在非结构化环境中的适应性和有效性，我们根据不同的天气、拍摄距离对自然场景进行了分类，并在相同的实验条件下对不同场景中的红花图像进行了检测。图2展示出不同场景下的6个模型的检测效果，以此评估WED-YOLO模型的各项性能。
图2 不同自然场景下红花图像的识别结果
试验结果表明，WED-YOLO模型通过引入多项技术改进，包括C2f-EMA模块、WIoU损失函数、DySample模块和小目标检测层，显著提高了红花丝在复杂环境中的检测精度。在不同天气和拍摄距离下，WED-YOLO模型表现出较强的鲁棒性和较高的检测性能，为红花丝的自动检测与智能农业应用提供了可靠的技术参考。
世界杯投注地址机电工程学院张振国副教授为论文的第一及通讯作者，2023级硕士研究生王蕴泽等为主要完成者。该研究得到了中央引导地方科技发展资金（ZYYD2025ZY11）、国家自然科学基金（32460449和52265041）等项目的资助。同时，感谢新疆云光红花种植农民专业合作社谭云光理事长、新疆智能农业装备重点实验室以及合作共建的新疆察县红花科技小院在进行田间实验过程中提供的帮助。
