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
准确识别花生幼苗是量化出苗率的关键，而出苗率又是花生这一重要油料作物育种研究中的核心表型指标之一。然而，在复杂田间环境下，受基因型、生育时期、种植密度等形态差异，以及飞行高度、太阳高度角等成像条件差异的共同影响，花生幼苗识别面临显著挑战。为此，本研究基于在不同田间条件下获取的无人机遥感影像，系统评估了面向对象图像分析（OBIA）方法与深度学习方法在花生幼苗识别中的表现，并提出了一种增强型检测框架 P-YOLOv11s。该模型通过引入P2小目标检测层以强化精细特征提取，结合渐进式特征金字塔网络（AFPN）实现多尺度特征融合，并融入iEMA注意力机制以提升对遮挡情形的适应能力。实验设计涵盖了丰富的农艺与环境异质性，包括1025份基因型材料、不同施氮水平、不同种植年份、不同种植密度、不同生态区，以及三叶期至六叶期的生育阶段和多种飞行参数配置（15、25、40 m飞行高度及4个不同时段）。结果表明，P-YOLOv11s具有较强的鲁棒性，其平均精度达到93.5%，相较于OBIA方法误检减少62%，较其他YOLO变体平均精度提升4.8%。其中，飞行高度是影响识别效果的最主要因素，15m飞行高度下表现最佳；四叶至五叶期识别精度最高，可达99.4%；太阳高度角的影响相对较小，变化幅度不足1.7%。此外，该框架在小区尺度上实现了高精度计数，平均误差仅为0.42株，有效突破了真实田间条件下花生表型精准获取的技术瓶颈。
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
图3.不同场景下P-YOLOv11s模型的识别结果
图3a （a）3–4叶期，（b）4–5叶期，（c）5–6叶期
图3b （a）0.12 厘米，（b）0.20 厘米，（c）0.32 厘米 图3c (a) 08:00, (b) 11:00, (c) 14:00, (d) 17:00.
团队介绍
天空地农情遥感监测及预警研究创新团队依托bwin必赢，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老员工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。
