卷葉是一種常見(jiàn)的適應(yīng)性反應(yīng)，植物已經(jīng)進(jìn)化，以抵消各種環(huán)境壓力的有害影響。深入了解葉片卷曲變化的機(jī)制為研究人員提供了一個(gè)獨(dú)特的機(jī)會(huì)，以提高表現(xiàn)葉片卷曲作物的抗逆性，如玉米。為了更深入地了解卷葉現(xiàn)象，有必要確定這種表型的發(fā)生和程度。傳統(tǒng)的人工軋葉檢測(cè)速度慢且費(fèi)力，對(duì)高通量的卷葉檢測(cè)方法的研究仍然有限。在這項(xiàng)研究中，提出了一種利用YOLOv8模型檢測(cè)玉米葉片卷曲的方法LRD-YOLO，集成了兩個(gè)重要的改進(jìn)：卷積塊注意力模塊(Convolutional Block Attention Module，CBAM)增強(qiáng)了特征提取能力，而變形卷積神經(jīng)網(wǎng)絡(luò)(Deformable ConvNets v2)增強(qiáng)了對(duì)目標(biāo)形狀和規(guī)模變化的適應(yīng)性。通過(guò)在包含嚴(yán)重遮擋、葉子大小和形狀變化以及復(fù)雜背景場(chǎng)景的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，提出的方法達(dá)到了令人印象深刻的81.6%的平均精度，超過(guò)了目前最先進(jìn)的方法。此外，LRD-YOLO模型只需要8.0 G的浮點(diǎn)運(yùn)算和3.48 m的參數(shù)。本文提出了一種創(chuàng)新的玉米葉片卷曲檢測(cè)方法，實(shí)驗(yàn)結(jié)果表明，LRD-YOLO在保持實(shí)時(shí)推理速度的同時(shí)，能夠精確檢測(cè)復(fù)雜場(chǎng)景下的葉片卷曲。

圖1  數(shù)據(jù)樣本。

圖2  卷葉階段為1 ~ 5個(gè)階段。第1階段，葉片展開(kāi)、腫脹；第二階段，葉緣開(kāi)始滾動(dòng)；第3階段，葉片明顯滾動(dòng)，呈v形；第4階段，滾動(dòng)葉緣延伸到葉片的一部分;第3階段，葉子卷緊。

圖3  C3和C2f模塊的結(jié)構(gòu)。

圖4  LRD-YOLO的整體架構(gòu)。

圖5  傳統(tǒng)卷積與變形卷積的比較。a傳統(tǒng)的卷積核。b可變形卷積核。

圖6 檢測(cè)結(jié)果對(duì)比。箭頭指向不正確的結(jié)果，黃色框代表丟失的目標(biāo)。

圖7   惡劣天氣條件下的數(shù)據(jù)增強(qiáng)。

圖8  對(duì)比惡劣天氣條件下的探測(cè)結(jié)果。箭頭指向不正確的結(jié)果，黃色框代表丟失的目標(biāo)。

圖9  LRD-YOLO和YOLOv8n的Grad-CAM可視化。