《Frontiers in Plant Science》：LBS-YOLO: a lightweight model for strawberry ripeness detection
编辑推荐：
引言：传统的草莓采摘作业长期依赖人工。随着人口老龄化趋势日益明显，智能采摘技术的应用已成为不可逆转的趋势。然而，现有识别方法仍面临识别准确率欠佳和计算效率低等瓶颈。为解决这些问题，研究人员构建了一种基于改进YOLOv11n架构的轻量级检测模型LBS-YOLO，
引言：传统的草莓采摘作业长期依赖人工。随着人口老龄化趋势日益明显，智能采摘技术的应用已成为不可逆转的趋势。然而，现有识别方法仍面临识别准确率欠佳和计算效率低等瓶颈。为解决这些问题，研究人员构建了一种基于改进YOLOv11n架构的轻量级检测模型LBS-YOLO，显著提升了模型的准确性和抗干扰鲁棒性，同时大幅压缩了参数量。方法：LBS-YOLO模型以YOLOv11n为基线网络。为增强骨干网络的特征表示能力，该模型设计了一种轻量级LAWDS模块（Lightweight Adaptive Weighted Downsampling Module，轻量级自适应加权下采样模块）。该设计将通道注意力与空间重构操作相结合，以优化下采样过程中的信息保留效率，从而有效提升多尺度特征表示能力和梯度流传播性能。随后在特征融合阶段，模型引入了双向特征金字塔网络（Bidirectional Feature Pyramid Network，BiFPN），它不仅实现了跨尺度特征融合，还通过可学习权重分配机制实现了自适应加权。最后，采用C3k2_Star模块替换传统C3K2以改进特征表示。结果：在所使用的草莓数据集上，LBS-YOLO模型达到了88.6%的mAP@0.5（平均精度均值@0.5）和75.8%的mAP@0.5:0.95，分别比YOLOv11n高出2.2和1.3个百分点。LBS-YOLO模型将召回率从YOLOv11n的83.2%提升至86.4%，F1分数从81.2%提升至82.9%。其计算复杂度为6.6 GFLOPs（千兆浮点运算次数），推理速度为260.7 FPS（帧每秒）。更优的是，LBS-YOLO仅需3.4 MB的存储空间和160万参数，分别比YOLOv11n减少了34.6%和38%。讨论：实验表明，LBS-YOLO模型能够显著减少参数量，并有效提升检测精度和运行效率。它成功缓解了误检和漏检问题，从而为草莓生长监测、成熟度识别和自动采摘提供了可靠的技术支持。
**研究背景与问题**
传统草莓采摘高度依赖人工，随着人口老龄化加剧，智能采摘技术成为必然趋势。现有识别方法在准确率和计算效率上仍存在瓶颈，如识别精度欠佳、计算资源消耗大，且难以平衡精度与效率。此外，草莓成熟度分级缺乏统一标准，难以支持精细化的分级采摘需求，枝叶遮挡等因素易导致误检和漏检。为此，研究人员基于改进YOLOv11n架构构建了轻量级检测模型LBS-YOLO，旨在提升检测精度与干扰鲁棒性，同时大幅压缩参数量，为草莓生长监测、成熟度识别和自动采摘提供技术支撑。该研究发表于《Frontiers in Plant Science》。
**研究内容与结论**
研究人员提出LBS-YOLO模型，在草莓数据集上取得了88.6%的mAP@0.5（平均精度均值@0.5）和75.8%的mAP@0.5:0.95，较基线YOLOv11n分别提升2.2和1.3个百分点；召回率从83.2%提升至86.4%，F1分数从81.2%提升至82.9%。模型参数量仅160万，存储空间3.4 MB，较YOLOv11n分别减少38%和34.6%。该模型有效缓解了误检和漏检，为智能采摘系统提供了可靠支持。
**关键技术与方法**（不超过250字）
研究人员采用以下关键技术：1）依据中国农业行业标准NY/T 2787-2015构建五级草莓成熟度数据集，利用GrabCut算法分割目标区域，结合HSV颜色空间计算红色像素占比以量化成熟度，并辅以LabelImg人工校正；2）设计轻量级自适应加权下采样模块（LAWDS），通过注意力机制生成内容感知权重，在空间下采样时自适应保留关键特征；3）引入双向特征金字塔网络（BiFPN），通过可学习权重实现多尺度特征的自适应融合；4）采用C3k2_Star模块（基于深度可分离卷积和门控机制）替换传统C3k2，增强特征判别能力。数据集来源为百度Paddle公开数据集，共3000张图像，并额外增加1000张增强图像以平衡类别分布。
**研究结果**
**4.1 模型训练**
通过精确率-召回率（PR）曲线和归一化混淆矩阵评估，LBS-YOLO的mAP@0.5达0.886。未熟类别表现最佳（AP达0.974），而商业成熟类别AP最低（0.748），与半熟类别存在严重互误判。混淆矩阵显示22%的半熟样本被误判为商业成熟，仅53%的商业成熟样本被正确识别，24%被误判为背景。这归因于中间类别视觉特征高度重叠及样本分布不均衡。
**4.2 消融实验**
通过逐步添加改进模块进行消融实验：仅添加LAWDS模块使mAP@0.5提升至87.7%，参数量减少0.34M；仅引入BiFPN使召回率提升至87.0%，mAP@0.5达87.9%，参数量降至1.92M；仅采用C3k2_Star模块达到最高精确率81.8%。联合LAWDS与BiFPN实现协同优化，最终完整LBS-YOLO模型综合性能最优：mAP@0.5达88.6%，召回率86.4%，F1分数82.9，存储仅3.4 MB，验证了各模块的协同增强效应。
**4.3 对比实验**
与多种经典及主流模型（SSD、Faster R-CNN、YOLOv5s、YOLOv8n、YOLOv10n、YOLO11n、YOLO12n、RTDETR-l）对比，LBS-YOLO在mAP@0.5和mAP@0.5:0.95上均显著优于SSD和Faster R-CNN，较基线YOLO11n提升2.2和1.3个百分点。计算复杂度6.6 GFLOPs与主流轻量模型相当，FPS达260.7满足实时检测需求。模型大小3.4 MB远小于其他模型，较YOLO11n减少34.6%。可视化对比显示，LBS-YOLO在理想场景、小目标场景和边缘场景中均无漏检和误检，检测框与果实轮廓高度吻合。
**4.4 检测性能对比**
**4.4.1 不同模型检测对比**
在三个场景（理想场景P1、小尺寸草莓场景P2、边缘位置草莓场景P3）中，LBS-YOLO均无假阳性或重复标注，且无漏检。其他模型（如YOLO11n、EfficientDet、Faster R-CNN等）存在不同程度误检、漏检或边界框拟合不佳问题。LBS-YOLO的检测框与果实轮廓高度一致，冗余空间少，展现出均衡稳定的检测能力。
**4.4.2 遮挡场景热力图对比**
利用GradCAM热力图分析，基线模型YOLO11n在草莓与枝叶重叠区域注意力分散，热力图模糊或溢出；而LBS-YOLO热力图紧凑，几乎完全覆盖草莓主体，对背景关注极少，且对小目标草莓产生清晰高亮区域，显著提高了小目标检测性能。
**讨论与结论**
**讨论**：本研究系统改进了现有问题，包括成熟度分级不规范、难以支持精细采摘需求、枝叶遮挡导致的误检漏检以及精度与效率的平衡挑战。LAWDS、C3k2_Star和BiFPN模块协同工作，实现了智能下采样、细粒度特征判别和高效多尺度融合。LBS-YOLO的mAP@0.5达88.6%，存储仅3.4 MB，优于YOLO11n。但半熟与商业成熟类别间存在显著混淆（商业成熟AP仅0.748），表明细粒度分类面临固有挑战，可能与视觉特征重叠和数据分布不均有关。此外，FPS（260.7）虽满足实时检测，但与YOLOv10n等先进轻量模型仍有差距，体现了精度与速度的权衡。未来需构建更复杂的实际场景数据集，探索特征解耦方法以提高类别区分度，并优化检测速度。
**结论翻译**：本研究系统改进了YOLOv11n模型，以解决草莓智能采摘中轻量级模型检测精度与效率平衡的实际问题，提出了名为LBS-YOLO的轻量级目标检测模型。主要结论如下：1）首次根据农业行业标准（NY/T 2787-2015）构建了包含五个细粒度等级的草莓成熟度数据集，使模型输出可直接对接分级采摘作业，增强了实际应用价值。2）通过在YOLOv11n骨干网络中引入轻量级自适应加权下采样模块（LAWDS），进一步集成双向特征金字塔网络（BiFPN）结构，并完全用C3k2_Star模块替换原始C3k2模块，通过门控机制和深度可分离卷积增强了特征判别能力。最终整合的LBS-YOLO模型实现了88.6%的mAP@0.5、86.4%的召回率和82.9的F1分数，模型权重仅3.4 MB，显著优于原始模型，在检测精度和模型轻量化之间取得了更好平衡。3）本研究提出的模块的可解释性及其在其他检测任务中的泛化能力仍需进一步探索。未来研究将致力于完善模块架构，开发针对特定复杂局部场景的数据集，尝试将应用扩展到多类别和小目标检测任务，并探索动态推理机制和硬件感知协同优化，以增强算法在实际场景中的实用性和适应性。这一系列优化为草莓生长过程的数字化管理和智能采摘提供了更稳健的技术支持。未来研究可进一步扩展应用场景，深化模型对复杂光照环境的适应性，同时探索检测结果与生产决策之间的更深层次融合，以更直接地将技术优势转化为产业效益。
