基于改进CenterNet的甜菜幼苗生长状态识别系统

1. 甜菜幼苗生长状态识别系统概述

在精准农业领域，甜菜幼苗生长状态的自动识别与分类技术正成为提高农业生产效率的关键手段。传统的人工监测方法不仅耗时耗力，而且难以实现大规模田间的实时监控。基于计算机视觉的自动化解决方案能够有效解决这些问题，其中CenterNet作为一种高效的单阶段目标检测算法，特别适合处理农业场景中的小目标检测问题。

甜菜作为重要的经济作物，其生长过程通常分为三个阶段：'Sugar Beet - 1'（发芽期）、'Sugar Beet - 2'（幼苗期）和'Sugar Beet - 3'（生长期）。每个阶段具有独特的形态特征，准确识别这些阶段对于实施精准灌溉、施肥和病虫害防治至关重要。然而，田间环境的复杂性（如多变的光照条件、复杂的背景干扰等）给自动识别系统带来了巨大挑战。

本系统基于改进的CenterNet架构，结合专门构建的甜菜幼苗数据集，实现了高达95.3%的平均识别准确率。系统核心创新点包括：

• 多尺度特征融合模块增强小目标检测能力
• 改进的损失函数解决类别不平衡问题
• 轻量化设计确保在边缘设备上的实时性能
• 专门优化的数据增强策略适应农业场景特点

2. 数据集构建与预处理

2.1 数据采集与标注规范

高质量的数据集是训练鲁棒识别模型的基础。本系统使用的数据集包含1103张高分辨率图像，涵盖甜菜幼苗的三个主要生长阶段。图像采集模拟真实农田环境，背景包含多种粒径和颜色的颗粒状基质（浅褐色、灰色及米色石子），确保模型能够适应复杂的田间条件。

标注过程遵循以下规范：

1. 采用YOLOv8标注格式，包含物体类别和边界框信息
2. 每个生长阶段定义明确的视觉标准：
   • Sugar Beet - 1：子叶完全展开，真叶未出现
   • Sugar Beet - 2：出现1-2片真叶
   • Sugar Beet - 3：真叶数量≥3片，叶片展开度>50%
3. 由农业专家进行质量审核，确保标注准确性

2.2 数据增强策略

为提高模型泛化能力，我们实施了多层次的数据增强方案：

2.2.1 几何变换增强

• 水平与垂直翻转（各50%概率）
• 90度随机旋转
• 0-20%随机裁剪
• ±15度随机旋转

2.2.2 光度变换增强

• ±20%亮度调整
• ±15%对比度