来源：市场资讯
（来源：智慧农业期刊）
引用格式：苏玉杰, 李玥, 魏霖静, 吴兵, 郭林海, 剡斌, 周慧, 高玉红, 康亮河, 刘欢, 苏舜昌 . 基于轻量化改进YOLOv11n-Seg 的胡麻倒伏区域识别方法[J]. 智慧农业 (中英文), 2026, 8(2): 35-47.
SU Yujie, LI Yue, WEI Linjing, WU Bing, GUO Linhai, YAN Bin, ZHOU Hui, GAO Yuhong, KANG Lianghe, LIU Huan, SU Shunchang. Lodging Region Detection Method in Flax Based on Lightweight Improved YOLOv11n-seg Model[J]. Smart Agriculture, 2026, 8(2): 35-47. DOI：10.12133/j.smartag.SA202508013
基于轻量化改进YOLOv11n-Seg的胡麻倒伏区域识别方法
苏玉杰1， 李玥1，2*， 魏霖静1， 吴兵2，3， 郭林海1， 剡斌2，4， 周慧1， 高玉红2，4， 康亮河1， 刘欢1， 苏舜昌1
（1.甘肃农业大学信息科学技术学院，甘肃兰州 730070，中国； 2.干旱生境作物学国家重点实验室，甘肃兰州 730070，中国； 3.甘肃农业大学生命科学技术学院，甘肃兰州 730070，中国； 4.甘肃农业大学农学院，甘肃兰州 730070，中国）
摘要：
［目的/意义］倒伏是制约作物产量与品质的关键因素之一，本研究针对胡麻田间图像中倒伏区域形态复杂、边界模糊、背景干扰大导致不易识别的问题，提出一种高精度、轻量化的倒伏区域识别方法，以支持智能化田间监测和自动化农业设备的实际部署。
［方法］提出一种基于改进YOLOv11n-seg模型的胡麻倒伏区域识别方法，该方法从模型轻量化与精度提升出发，首先在骨干网络中引入融合多尺度高效通道注意力机制的集成空间深度可分离模块（C3k2 Spatial‑Depthwise, C3k2_SDW），以增强模型对倒伏区域特征的敏感性；其次在颈部结构中引入双向特征金字塔网络结构，并结合多阶段语义融合策略，实现不同尺度与语义层次特征的充分交互，从而提升对细粒度倒伏区域的识别能力；最后在输出阶段对预测边界进行精细化处理，提高倒伏区域分割结果的边界精度。
［结果和讨论］改进后的YOLOv11n-seg模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。
［结论］基于改进YOLOv11n-seg模型的胡麻倒伏区域识别方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。
关键词： 胡麻；图像分割；轻量化模型；倒伏识别；YOLOv11n-seg；注意力机制
文章图片
注：该图基于自然资源部标准地图服务网站下载的审图号为 GS（2019）3333号标准地图制作，底图无修改。
图1 甘肃省定西市农业科学研究院油料作物研究站
Fig. 1 Oil crops research station of Dingxi city academy of agricultural sciences， Gansu province
Fig.2 Flax lodging data augmentation examples
Fig.3Network structure of improved YOLOv11n-seg
Fig. 4 Module structure of C3k2_SDW
Fig. 5 Network structure of BiFPN
Fig. 6 Structure diagram of Multi-Scale ECA mechanism
Fig.7Comparison of heatmap visualization effects among different models
Fig.8 Testing results of mature-stage flax lodging data in Huining county
来源：《智慧农业（中英文）》2026年第2期
转载请联系编辑部授权
本期支持单位
特别支持单位
热门跟贴