基于Mamba-YOLO的香菇子实体智能检测与分级方法研究及其在采收机器人中的应用

为解决香菇人工采收劳动强度大、效率低的问题，山东农业科学院信息与经济研究所团队开发了基于Mamba-YOLO的检测分级方法。该研究通过多尺度检测机制增强小目标感知能力，结合帽盖纹理特征实现成熟度与质量分级，在自建数据集上达到mAP@0.5 97.86%、分类准确率96.2-98.8%，检测速度8.3 ms，为智能化采收提供了轻量化（6.1M参数）、高精度的技术方案。

　　

香菇作为全球食用菌产业的重要组成部分，2024年全球市场规模达680亿美元，中国产量占全球90%以上。然而，当前香菇生产仍以人工采收为主，存在劳动强度大、采收时机难以精准把握等问题，严重影响产品质量和市场竞争力。传统检测方法依赖颜色、形状等特征，在复杂光照和遮挡环境下性能受限；现有深度学习模型如YOLOv5、Faster R-CNN等虽有一定效果，但存在计算复杂度高、小目标识别不足等缺陷。

针对这些挑战，山东农业科学院信息与经济研究所的Kangkang Qi团队在《Scientific Reports》发表研究，提出基于Mamba-YOLO的香菇智能检测与分级方法。该研究通过融合状态空间模型(SSM)的线性计算优势，结合多尺度特征融合机制，实现了香菇子实体高精度识别与质量分级，为自动化采收系统提供了关键技术支撑。

研究采用华为Mate30 Pro采集山东淄博香菇工厂的2,320张图像，通过随机亮度调整和高斯噪声增强至6,960张样本。标注类别包括菇棒、平面/裂纹/畸形菇的成熟与未成熟共7类。核心技术包括：1）ODMamba主干网络，集成SS2D模块处理长程依赖；2）LSBlock与RGBlock增强局部特征提取；3）金字塔注意力网络(PAFPN)实现多尺度融合。

香菇检测结果与讨论
实验显示Mamba-YOLO的精确度(P)达98.89%，召回率(R)98.79%，mAP@0.5为97.86%。在复杂场景中，模型对重叠菇体（如图13c）和小目标（图13a右箭头）的识别优于对比算法，仅对极端遮挡或初生菇体存在少量漏检。

算法对比
与Faster R-CNN、YOLOv5s等相比，Mamba-YOLO的mAP@0.5提升0.27-7.76个百分点，参数量仅6.1M（YOLOv7为36.5M）。尽管8.3ms的检测速度略慢于YOLOv8（2.4ms），但仍在实时应用允许范围内。

光照适应性
自然光下mAP@0.5达97.43%，但背光条件下降至94.28%（表8），表明光照仍是影响性能的关键因素。

结论与展望
该研究首次将SSM引入农业目标检测，通过轻量化设计实现了香菇的高效分级。未来工作将扩大数据集多样性，探索多角度成像技术，并优化边缘设备部署方案。研究成果不仅适用于香菇采收，也为其他小目标作物（如草莓、蓝莓）的智能识别提供了技术范式。