Development of an enhanced hybrid attention YOLOv8s small object detection method for phenotypic analysis of root nodules
Notice bibliographique
Résumé
Nodule formation and their involvement in biological nitrogen fixation are critical features of leguminous plants, with phenotypic characteristics closely linked to plant growth and nitrogen fixation efficiency. However, the phenotypic analysis of root nodules remains technically challenging due to their small size, weak texture, dense clustering, and occlusion. To address these challenges, this study constructed a scanner-based imaging platform and optimized data acquisition conditions for high-resolution, high-consistency root nodule images under field conditions. In addition, A hybrid small-object detection method, SCO-YOLOv8s, was proposed, integrating Swin Transformer and CBAM attention mechanisms into the YOLOv8s framework to enhance global and local feature representation. Furthermore, an Otsu segmentation-based post-processing module was incorporated to validate and refine detection results based on geometric features, boundary sharpness, and image entropy, effectively reducing false positives and enhancing robustness in complex scenes. Using this integrated approach, over 3375 nodules were identified from a single plant sample in under 1 min, with extracted phenotypic features such as diameter, color, and texture. A total of 10,879 high-quality annotated images were collected from 39 peanut varieties across 14 provinces and 31 soybean varieties across 12 provinces in China, addressing the current lack of large-scale datasets for legume root nodules. The SCO-YOLOv8s model achieved a precision of 97.29 %, a mAP of 98.23 %, and an overall identification accuracy of 95.83 %. This integrated approach provides a practical and scalable solution for high-throughput nodule phenotyping, and may contribute to a deeper understanding of nitrogen fixation mechanisms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».