前言
论文题目为《A novel deep learning framework for High-Throughput peanut seedling identification across diverse germplasm and complex field environments》，发表于《International Journal of Applied Earth Observation and Geoinformation》2026年第146卷，文章编号105061，2026年1月6日在线发表。作者为赵江涛、李振海、白波、孔雪、杨吉顺、李国卫、Tadese Anberbir、许晓斌等，赵江涛与李振海为共同第一作者，通讯作者为许晓斌。
论文摘要
花生是我国重要的油料作物，出苗率是评价种质材料早期生长表现和田间建植质量的重要指标。传统人工调查效率低、主观性强，难以满足大规模育种试验中高通量、快速、准确获取出苗信息的需求。随着无人机遥感和深度学习技术的发展，利用高分辨率影像自动识别花生幼苗，为田间表型快速监测提供了新的技术途径。然而，不同品种、不同生育时期、不同种植密度以及复杂田间背景都会导致幼苗形态差异明显。同时，无人机飞行高度、太阳高度角等成像条件变化，也会影响影像质量和目标识别精度。这些因素使得现有方法在复杂田间环境下的稳定性和泛化能力仍然不足。
针对这一问题，研究团队基于低空可见光遥感影像，构建了覆盖1025份花生种质资源、多种氮肥处理、不同种植密度、生育时期和飞行条件的大规模田间数据集，并系统比较了面向对象图像分析方法和多种深度学习目标检测模型。在此基础上，提出了改进的花生幼苗识别模型P-YOLOv11s。该模型通过引入小目标检测层、多尺度特征融合结构和注意力机制，提高了对小尺度、密集分布和部分遮挡幼苗的识别能力。结果表明，P-YOLOv11s在复杂田间条件下表现出较好的识别精度和稳定性，平均精度达到93.5%，相比传统面向对象方法显著降低了误检率；在1025份花生种质资源的大规模验证中，模型预测结果与人工调查结果高度一致，决定系数达到0.96。研究还发现，无人机飞行高度是影响识别效果的主要因素，15 m飞行高度下效果最佳；花生四至五叶期是较适宜的识别窗口，而不同时间段的太阳高度角对结果影响较小。该研究为花生出苗率高通量监测和种质资源早期表型评价提供了一种有效技术方案，可为花生育种、田间管理和智慧农业应用提供数据支撑。
论文链接
https://doi.org/10.1016/j.jag.2025.105061
关键图表
图1.技术路线图
图2.深度学习模型性能对比
（a）人工实测出苗数与模型预测出苗数的散点密度图；（b）预测残差直方图，用于表征误差分布及其正态性
图3. 出苗识别模型的预测性能与误差分析
团队介绍
天空地农情遥感监测及预警研究创新团队依托山东科技大学测绘与空间信息学院，于2022年整合校内外时空信息与智慧农业领域的优势科研力量组建而成。团队聚焦遥感大数据、遥感机理、农业四情监测、作物产量与品质预测、作物表型及数字土壤制图等核心方向，持续推动农业遥感技术的创新发展。团队现有核心成员9人，其中教授2人、副教授2人、讲师5人，博士/硕士研究生50余人，形成了结构合理、科研实力雄厚的人才梯队。近年来，团队科研成效显著，先后承担国家自然科学基金面上项目、山东省自然基金优秀青年基金等省部级科研项目20余项；在RSE、ISPRS、JAG、ESSD等国际权威期刊发表学术论文50余篇；授权发明专利20余项，并获得科研奖励4项。教学方面，团队积极参与国家一流专业课程建设，荣获行业教学成果奖及大学生创新大赛金奖等荣誉。团队始终立足区域特色，紧密对接国家乡村振兴战略，致力于在智慧农业、新一代信息技术等领域持续构建技术优势，为学科发展和产业应用贡献力量。
