DBH-YOLO：一种用于检测采后蓝忍冬浆果表面缺陷的新型算法

《Postharvest Biology and Technology》：DBH-YOLO: A novel algorithm for surface defects detection of postharvest blue honeysuckle berry fruit

蓝花楹浆果表面缺陷的检测效率与精度提升研究。本文提出DBH-YOLO模型，基于YOLOv8架构引入动态分组卷积Transformer（DGST）、分离核注意力模块（LSKA）和动态头（DyHead）三个改进模块。实验表明，DBH-YOLO在GeForce RTX 2060显卡上达到87.4%精度、90.1%召回率和94.3%mAP@0.5，较原版YOLOv8n提升3.3%、5.3%和4.4%。模型体积仅5.9MB，检测速度达211FPS，并在独立2025数据集验证中保持高泛化能力。该成果为浆果自动化分拣系统提供了高效可靠的解决方案。

　　本研究聚焦于蓝莓（*Lonicera caerulea* L.）等浆果类水果的表面缺陷检测问题，旨在解决当前自动化检测系统中存在的检测精度不高和后处理质量评估效率低下的挑战。通过引入一种新型的YOLOv8模型——DBH-YOLO，研究团队致力于提高检测模型在识别小型浆果表面缺陷时的性能，同时确保模型具备足够的计算效率以适应实际应用需求。蓝莓作为一种富含花青素、黄酮类化合物和维生素的浆果，其营养价值和抗氧化能力使其在全球市场上备受青睐。然而，由于其果皮较薄、果实较软，容易受到机械损伤和环境因素的影响，导致在生长过程中出现各种形态缺陷，如表皮凹陷、内部瘀伤等，这些缺陷会显著影响产品的外观和市场价值。因此，如何在采摘后快速、准确地识别这些缺陷并进行分类，成为现代农业管理中亟待解决的问题。

在当前的水果和蔬菜质量检测技术中，传统的方法多依赖于人工筛查，但由于蓝莓果实体积较小，人工检测不仅效率低下，还容易产生误判或漏检。为了解决这一问题，近年来研究者们开始探索多种先进的检测技术，如近红外光谱、高光谱成像、电子鼻系统以及核磁共振等。这些技术在一定程度上提高了检测的自动化水平，但在实际应用中仍面临诸多限制，例如设备成本高昂、操作复杂度高以及难以实现高通量处理。相比之下，机器视觉技术因其在图像处理、特征提取和分类识别方面的优势，成为一种更为高效且可行的解决方案。机器视觉不仅能够实现高速、实时的批量检测，还具备较强的适应性，可以适用于不同种类的水果。因此，该技术在大规模果园生产环境中尤为重要，尤其是在需要快速、准确评估果实质量的场景下。

当前用于农业产品检测的机器视觉方法主要包括机器学习和深度学习两种。机器学习方法通常依赖于人工设计的特征，例如颜色、形状、大小和纹理等，然后通过分类算法进行识别。这种方法虽然在某些特定场景下表现良好，但其性能受限于特征设计的准确性和数据的多样性。而深度学习方法则通过多层神经网络自动从数据中学习特征，能够处理大规模数据集并捕捉复杂的模式。这使得深度学习在农业检测中展现出更强的适应性和泛化能力。近年来，基于YOLO（You Only Look Once）架构的单阶段检测模型在水果和蔬菜质量检测中得到了广泛应用。YOLO系列模型因其高效的检测速度和良好的精度表现，成为农业自动化检测系统的首选方案之一。

YOLOv8作为当前YOLO系列的最新版本，其性能在多个农业检测任务中得到了验证。然而，在检测小型浆果表面缺陷时，YOLOv8仍然存在一定的局限性，主要体现在局部缺陷的识别精度不高以及对多尺度特征的感知能力不足。为了解决这些问题，研究团队提出了DBH-YOLO模型，该模型在YOLOv8n的基础上进行了多项改进，包括引入Dynamic Group Convolution Shuffle Transformer（DGST）模块、Large Separable Kernel Attention（LSKA）模块以及Dynamic Head（DyHead）模块。这些改进使得DBH-YOLO在保持高效计算的同时，显著提升了对小型缺陷的识别能力。

DGST模块作为一种轻量级结构，被用来替代YOLOv8n中的C2f模块，从而增强特征提取能力。该模块通过动态分组卷积和洗牌变换的结合，实现了对不同尺度特征的更精细提取。此外，LSKA模块被嵌入到Spatial Pyramid Pooling Fast结构中，用于整合多尺度特征信息并扩展模型的感知范围。这一设计使得模型能够更好地识别小型缺陷，同时减少计算负担。而DyHead模块则通过引入动态头部机制，优化了检测头的结构，从而提高了检测的准确性和稳定性。

在实际测试中，DBH-YOLO模型表现出了优于原始YOLOv8n的检测性能。具体而言，其检测精度达到了87.4%，召回率达到了90.1%，mAP@0.5（平均精度均值）达到了94.3%。相较于YOLOv8n，这些指标分别提高了3.3%、5.3%和4.4%。同时，DBH-YOLO模型的体积仅为5.9 MB，这使得其在资源受限的设备上也能够高效运行。测试结果显示，该模型在GeForce RTX 2060显卡上实现了211 FPS（每秒帧数）的检测速度，表明其在实时检测方面具备较强的能力。此外，研究团队还在一个独立的2025数据集上验证了DBH-YOLO模型的泛化能力，进一步证明了其在不同环境下的适用性。

在蓝莓表面缺陷检测的研究中，现有的方法大多集中在较大水果（如梨、柑橘）的检测上，而对于小型浆果的检测研究相对较少。这主要是因为小型浆果的表面缺陷通常较小，且与果皮颜色相近，使得检测难度大大增加。此外，蓝莓果皮较薄，厚度仅为0.2–0.5毫米，因此在检测过程中需要采用非侵入式扫描方式，以避免因操作不当导致的额外损伤。同时，由于蓝莓果实体积小，且表面缺陷的面积可能仅占整个果皮面积的15%以下，因此需要更高的检测精度来区分正常果实和有缺陷的果实。

为了更好地应对这些挑战，研究团队构建了一个集成化的蓝莓检测平台，该平台不仅能够实现高通量的缺陷数据采集，还能够进行自动化检测。通过该平台，DBH-YOLO模型能够在非破坏性检测条件下快速、准确地识别蓝莓表面的缺陷。在数据采集方面，研究团队选择了蓝莓的一个常见品种——‘Lan Jingling’，并从东北农业大学（哈尔滨，中国，地理坐标45°74′17′′N；126°72′62′′E）进行采集，采集时间为2024年5月15日至6月15日。根据之前的观察和统计数据，研究团队将蓝莓的表面缺陷分为三类，如图1所示。在检测过程中，研究团队特别关注了那些表皮损伤面积小于15%的蓝莓，将其归类为轻度损伤。

为了进一步验证DBH-YOLO模型的性能，研究团队对不同比例的数据集进行了对比分析。他们构建了三种数据集比例：6:2:2、7:2:1和8:1:1。在相同的模型参数设置下，进行了多次训练和测试。结果表明，采用7:2:1比例的数据集训练出的模型在精度和F1分数方面表现最佳，而8:1:1比例的数据集虽然在召回率和mAP@0.5指标上略胜一筹，但其精度明显下降，仅为81.8%。因此，研究团队认为7:2:1的数据集比例更适合用于蓝莓表面缺陷检测任务，能够在保持较高检测精度的同时，兼顾模型的泛化能力和训练效率。

除了模型性能的提升，DBH-YOLO还在实际应用中展现出显著的优势。相较于传统的两阶段检测模型（如Faster R-CNN、Mask R-CNN、Cascade R-CNN等），DBH-YOLO的单阶段检测架构更加简洁高效，能够实现更快的检测速度。例如，Faster R-CNN在自然条件下对健康草莓和七种疾病类型的检测精度达到了92.18%，但其推理速度为每张图像229毫秒，明显低于DBH-YOLO的211 FPS。同样，Mask R-CNN在橄榄分析中的检测精度高达99.8%，但其处理时间较长，达到每张图像40秒，这在工业应用中可能成为瓶颈。相比之下，DBH-YOLO不仅在检测速度上表现出色，还在精度和召回率方面取得了显著提升，这使其成为蓝莓等小型浆果检测的理想选择。

此外，研究团队还对比了DBH-YOLO与其他几种流行的YOLO变体（如YOLOv5n、YOLOv6n、YOLOv7-Tiny、YOLOv10等）在蓝莓缺陷检测中的表现。结果表明，DBH-YOLO在多个关键指标上均优于这些模型，特别是在检测精度、召回率和mAP@0.5方面。这表明，DBH-YOLO不仅能够有效应对蓝莓表面缺陷检测的挑战，还具备较强的通用性，可以应用于其他小型水果的检测任务。

综上所述，DBH-YOLO模型的提出为蓝莓等小型浆果的自动化检测和分级提供了新的解决方案。通过引入DGST、LSKA和DyHead等关键模块，该模型在保持高效计算的同时，显著提升了对小型缺陷的识别能力。此外，研究团队还构建了一个集成化的检测平台，实现了高通量的缺陷数据采集和自动化检测。这些成果不仅有助于提高蓝莓的质量评估效率，也为其他小型水果的检测提供了参考和借鉴。未来，随着农业自动化水平的不断提升，DBH-YOLO模型有望在更多实际应用场景中得到推广和应用，为现代农业的智能化发展贡献力量。