QseedNet：一种轻量级的深度学习框架，用于检测进口大豆检验中的检疫杂草种子

《Industrial Crops and Products》：QseedNet: A lightweight deep-learning framework for detection of quarantine weed seeds in imported soybean inspection

橡胶采集碗状态与乳胶轨迹检测模型YOLO-DCS通过引入动态特征聚合（DFA）、增强型C2f-CPCA模块及轻量级卷积模块，在保持高精度（mAP0.50达82.1%）的同时显著降低计算量（GFLOPs减少64.9%），并在可见光及红外数据集上验证了泛化能力。

　　随着智能农业的快速发展，传统的手工采摘方式逐渐被自动化采摘系统所取代。这一转变不仅提高了生产效率，还减少了人工成本和劳动强度，为橡胶种植业的现代化发展提供了强有力的技术支持。然而，实现高效且准确的橡胶乳胶杯状态和乳胶轨迹识别仍然是一个重大挑战。为此，本文提出了一种基于YOLOv10s框架的新型边缘计算检测模型——YOLO-DCS，该模型在识别乳胶杯状态（如满、未满、倾倒）和乳胶轨迹状态（如乳胶已干、未干）方面表现出卓越的性能。

### 模型创新点

YOLO-DCS模型的创新点主要体现在以下几个方面：

1. **动态特征聚合模块（DFA）**：该模块通过多尺度卷积、自适应卷积和特征引导，增强了网络对多维细节特征的提取能力。通过引入通道和空间注意力机制，DFA模块不仅提升了模型的泛化能力，还增强了其对复杂场景的适应性。该模块能够有效融合特征，使模型在识别乳胶杯状态时，对细微的纹理和颜色变化更为敏感，从而提高了识别的准确性和鲁棒性。

2. **改进的C2f-CPCA模块**：C2f-CPCA模块将C2f结构与CPCA通道注意力机制相结合，进一步增强了模型对关键特征的识别能力。这一改进特别适用于小目标识别任务，显著提升了模型在复杂背景下的识别效果。CPCA机制通过全局平均池化（GAP）和全局最大池化（GMP）来评估通道的重要性，然后通过非线性变换生成通道注意力权重，从而增强了模型对关键特征的关注度。

3. **轻量级深度可分离卷积（DWConv）与SPDConv模块**：为了降低模型的参数量和计算复杂度，本文将轻量级的DWConv和SPDConv模块引入到模型的主干网络和头部网络中。这些模块在不牺牲识别精度的前提下，显著减少了模型的计算量，从而提升了模型在边缘设备上的推理速度。SPDConv模块通过空间到深度的转换和多尺度卷积，减少了计算复杂度，同时保留了对多尺度特征的提取能力，使其在边缘设备上的应用更加高效。

### 数据集与评估指标

本文构建了两个自建数据集：可见光数据集和红外数据集。可见光数据集主要由全球橡胶种植区的公开照片和云南西双版纳橡胶种植区的智能手机拍摄图像组成，涵盖了多种角度和光照条件。红外数据集则通过红外热成像仪在云南景洪市橡胶种植区的夜间进行采集，时间跨度为2025年4月11日至14日。两个数据集均包含五种状态分类：乳胶杯状态（满、未满、倾倒）和乳胶轨迹状态（已干、未干）。这些数据集的构建不仅提高了模型的泛化能力，还增强了其在不同光照和环境下的适应性。

评估指标包括召回率（Recall）、平均精度（mAP）、F1分数、GFLOPs（浮点运算次数）和参数数量。这些指标能够全面衡量模型的识别性能和计算效率。实验结果显示，YOLO-DCS模型在可见光数据集上实现了82.1%的mAP0.50和70.3%的mAP0.50:0.95，分别比原始YOLOv10s模型提升了4.7%和2.2%。召回率和F1分数也分别达到78.5%和84.2%，较YOLOv10s模型提升了9.3%和8.0%。此外，YOLO-DCS模型的GFLOPs仅为8.6，比YOLOv10s模型降低了64.9%，凸显了其在边缘计算场景下的高效性。

在红外数据集上的实验同样显示了YOLO-DCS模型的优势。该模型在mAP0.50和召回率方面分别提升了3.3%和3.5%，同时显著降低了GFLOPs。这些结果表明，YOLO-DCS不仅在可见光条件下表现优异，也具备良好的红外适应能力，为在复杂环境下的应用提供了坚实的技术基础。

### 实验与结果

本文通过一系列消融实验和模型对比实验，对YOLO-DCS模型的性能进行了深入评估。消融实验分别在可见光数据集上进行，主要比较了不同模块的贡献以及不同模块组合的效果。实验结果表明，SPDConv模块对召回率的提升最为显著，达到了10%的改善；DWConv模块则对F1分数的提升贡献突出，提升了5.6%；DFA模块在召回率和F1分数方面分别提升了4.5%和6.2%，显示出其在复杂目标识别中的重要性。

模型对比实验则涵盖了可见光和红外数据集，分别与更复杂的YOLOv10系列模型（如YOLOv10m、YOLOv10b、YOLOv10l、YOLOv10x）以及同样轻量级的YOLO11-N和YOLOv12-N模型进行比较。结果显示，YOLO-DCS在多个指标上均优于这些模型，尤其是在mAP0.50和召回率方面表现尤为突出。与YOLOv10s模型相比，YOLO-DCS在可见光数据集上实现了4.7%的mAP0.50提升和9.3%的召回率提升，同时保持了64.9%的GFLOPs减少，证明了其在性能和效率上的双重优势。

在边缘设备上的测试进一步验证了YOLO-DCS的实用性。实验使用NVIDIA Jetson Orin NX开发板进行，该设备具有8核ARM Cortex-A78AE处理器和JetPack 6.0（L4T R36.3.0）系统，支持CUDA 12和TensorRT 10。测试结果表明，YOLO-DCS在边缘设备上的推理时间显著缩短，且在不同批次大小下均表现出较高的帧率（FPS）。在批次大小为4时，YOLO-DCS的推理时间为22.6毫秒，帧率为44.25，远超YOLOv10s（34.2毫秒，29.24 FPS）和YOLOv10n（26.3毫秒，38.02 FPS）。在批次大小为8时，YOLO-DCS的推理时间进一步缩短至18.7毫秒，帧率提升至53.48，显示出其在边缘计算场景下的强大适应性。

### 模型性能分析

YOLO-DCS模型在可见光和红外数据集上的表现均优于其他模型。在可见光数据集上，YOLO-DCS的mAP0.50达到82.1%，比YOLOv10s模型提升了4.7%；在红外数据集上，其mAP0.50为89.1%，比YOLOv10s提升了3.3%。此外，YOLO-DCS的召回率在可见光数据集上达到78.5%，在红外数据集上达到88.8%，分别比YOLOv10s提升了9.3%和1.0%。这些结果不仅证明了YOLO-DCS在识别精度上的优势，还展示了其在不同环境下的广泛适用性。

为了进一步验证模型的泛化能力和跨域适用性，本文还进行了建筑裂缝检测任务的迁移实验，使用了公开的crack-seg数据集。实验结果表明，YOLO-DCS在该任务中实现了85.5%的精度，比YOLOv8n（81.1%）、YOLOv9t（82.4%）、YOLOv10n（73.7%）、YOLO11n（82.8%）和YOLOv12n（80.0%）均有显著提升。同时，YOLO-DCS在mAP0.50和mAP0.50:0.95方面分别达到了74.3%和57.4%，显著优于其他模型。尽管YOLO-DCS的GFLOPs略高于一些轻量级模型，但其性能提升幅度较大，表明其在复杂环境下的适用性。

### 挑战与未来展望

尽管YOLO-DCS模型在可见光和红外数据集上表现出色，但在实际应用中仍面临一些挑战。例如，在乳胶杯内存在雨水的情况下，模型的识别精度会下降约30%。这主要是由于雨水表面的反射和折射效应导致乳胶杯边缘特征模糊，使模型难以准确识别目标轮廓。此外，乳胶杯在高湿度或雨季环境中容易出现高光反射和低对比度，进一步增加了识别难度。

为了解决这些问题，未来的改进方向将包括：在感知层引入偏振或多光谱成像技术，以减少表面反光并提高边界清晰度；在模型层探索基于领域自适应和对抗训练的方法，以增强模型在不同光照、湿度和背景条件下的特征稳定性；在数据层构建高质量、面向部署的数据集，通过合成数据模拟水反射、波纹、雨滴等复杂条件，并结合大量真实样本，以提升模型的泛化能力。

此外，本文还建议在未来的研究中扩展YOLO-DCS的应用范围，如将其用于多任务目标检测，包括乳胶产量监测、污染检测和溢出风险预测等。通过融合RGB视觉、红外、深度和可能的LiDAR或热成像等多种模态，可以显著提升系统在复杂环境下的可靠性。这种多模态感知框架不仅支持更精确的自动化采摘，还能为智能农业系统的进一步发展提供坚实的技术基础。

### 结论

本文提出的YOLO-DCS模型在识别乳胶杯状态和乳胶轨迹状态方面表现出卓越的性能。该模型在可见光和红外数据集上的实验结果表明，它在保持高识别精度的同时，显著降低了计算复杂度，使其在边缘计算场景下的应用成为可能。尽管在特定环境（如乳胶杯内存在雨水）下仍面临挑战，但通过多模态融合、领域自适应和轻量级注意力机制等技术手段，可以进一步提升模型的鲁棒性和适应性。

YOLO-DCS模型的开发不仅为智能农业中的橡胶采摘提供了新的技术路径，也为农业自动化系统的构建奠定了坚实的基础。未来，该模型有望成为智能农业中高效、精准、可持续的检测工具，推动农业生产的智能化和自动化进程。