近日，中国农业科学院农田灌溉研究所节水高效灌溉技术与装备团队优化轻量化YOLOv11n深度学习检测模型，构建番茄表型特征提取与参数计算新框架，精准诊断番茄水分亏缺状态。相关研究发表在《植物科学前沿（Frontiers in Plant Science）》上。

番茄表型特征是水分亏缺诊断的核心依据，YOLOv11n模型以体积小、精度高、速度快优势可承担多项番茄表型诊断任务，但尚未形成成熟的水分亏缺表型诊断功能。

科研人员改进YOLOv11n模型，通过在模型核心运算层嵌入适合处理表型特征的模块，形成自适应卷积核融合机制，能自动调整解读精度，强化小尺度及不规则目标分析处理性能。此外，在模型细节捕捉层（P2基础层）构建了“重校准特征金字塔检测头”，能放大细节、整合信息、自动纠错，解决看不清小目标、信息杂糅判不准的问题。改进后模型召回率（Recall）提升4.1个百分点，整体精准度（mAP50）、全方位精准识别能力（mAP50-95）分别提高2.7%、5.4%。研究进一步采用主流算法构建七种番茄水分亏缺估算模型。结果显示，通过株高与叶柄数量加权组合的复合表型特征，可有效区分不同水分亏缺处理植株，其中随机森林模型表现最优，分类准确率最高达98%。研究提升番茄水分亏缺监测智能化水平，为智慧灌溉决策提供了科学依据。

研究得到中国农科院科技创新工程、国家重点研发计划课题与河南省科技攻关项目支持。

原文链接：https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2025.1660593/full