玉米作为全球最重要的粮食与饲用作物之一，是保障粮食安全和畜牧业发展的关键基础作物。在田间快速、准确地监测玉米苗数与叶龄信息，是评估作物早期生长状态、优化苗期管理和预测后期长势的关键环节。传统的大田苗情调查仍主要依赖人工目测统计，费时费力且难以覆盖大面积区域；现有基于深度学习的目标检测模型又普遍存在参数量大、推理速度慢、依赖高算力等问题，难以在田间终端设备上稳定部署。因此，开发一个准确度高、鲁棒性强、便于部署的轻量化苗情监测模型至关重要。

近日，Artificial Intelligence in Agriculture在线发表了三亚中国农业科学院国家南繁研究院作物表型组学研究创新团队题为YOLO-light-pruned: A lightweight model for monitoring maize seedling count and leafage using near-ground and UAV RGB images的研究文章。

本研究围绕幼苗计数、叶龄识别和轻量化部署三个主题，构建了适用于复杂田间环境的玉米苗情监测模型。研究提出两种轻量化检测模型YOLOv8n-LP与YOLOv11n-LP，专门基于田间RGB影像实现玉米幼苗自动计数与叶龄识别。通过无人机与近地面平台获取多生育时期、不同种植密度和多分辨率的田间影像，构建跨平台RGB数据集，在多种场景下，系统评估了模型的精度、效率与鲁棒性。

重要发现：

1. 轻量化模型实现高精度幼苗计数

在玉米幼苗计数任务中，YOLOv8n-LP与YOLOv11n-LP的rRMSE仅为6.73%和5.59%，表现出较高的计数精度与稳定性。两种模型的参数量仅为0.8M（YOLOv8n-LP）与0.7M（YOLOv11n-LP），较原始模型减少73%以上，推理速度最高提升42.9%。这表明在显著降低算力需求的前提下，模型仍能保持接近“重型模型”的检测性能，为其在无人机机载终端、边缘计算设备以及低算力平台上的推广应用奠定基础。

2. 模型面向复杂田间环境时表现出较强鲁棒性

在不同平台、不同图像分辨率、不同生育时期、不同大小苗比例以及多种植密度的复杂田间条件下，模型持续保持较高检测精度。该特性保证了方法在真实生产场景中的可推广性与稳定性，为大范围苗情监测和长期连续观测提供了可靠技术支撑。

3. 叶龄识别与跨平台泛化能力突出

在叶龄识别方面，本研究实现了玉米苗期“苗数－叶龄”的一体化检测。模型不仅在高分辨率近地影像中保持较高叶龄识别精度，在视角变化更大、分辨率更低、背景更复杂的无人机影像中依然具备良好的泛化能力，能够适应不同平台、不同分辨率与不同种植密度条件下的田间复杂场景，展现出较强的跨平台鲁棒性。

本研究成功构建了兼具高精度、高效率与易部署性的玉米苗数与叶龄鉴定轻量化模型，在复杂田间环境中展现出良好的适应性与推广潜力。YOLOv8n-LP与YOLOv11n-LP的提出，为玉米早期生长监测、苗情诊断和精准农业管理提供了可靠技术支撑，也为轻量化深度学习模型在其他作物幼苗识别、缺苗检测、生育期监测等场景中的应用拓展提供了重要参考。

图1 本文提出轻量化模型，在自研近地面设备与无人机影像中均可实现苗数与叶龄的高效、准确鉴定

中国农业科学院作物科学研究所客座硕士研究生江甜甜为本论文第一作者，中国农业科学院金秀良研究员和殷大萌副研究员为本文的通讯作者。该研究得到了科技创新2030——“新一代人工智能”重大项目（2022ZD0115701）、中国农业科学院南繁专项（YBXM2401，YBXM2402，PTXM2402，PTXM2501）、国家自然科学基金（42471361，42301427）、中国农业科学院农业科技创新工程的支持。

原文链接：

https://doi.org/10.1016/j.aiia.2025.10.002