基于部分卷积与改进非极大值抑制的轻量化桃果检测算法研究

针对桃果检测中重叠率高、训练样本质量低的问题，研究人员提出轻量化桃果检测模型LP-Det，创新性整合ISIS-NMS算法、PCBS模块和WIoUv3技术，显著提升重叠桃果识别精度并降低模型复杂度。实验证明其性能超越现有SOTA模型，为农业自动化提供高效解决方案。

　　

在现代化农业生产中，桃果的自动化检测是实现精准农业的关键环节。然而，桃果柔软易损的特性、果园环境中频繁出现的果实重叠现象，以及采集过程中难以避免的低质量图像样本，给传统检测方法带来巨大挑战。现有基于卷积神经网络(CNN)的检测模型虽在通用目标检测中表现优异，但面对桃果的特殊性时，往往难以兼顾检测精度与计算效率。尤其在实际应用场景中，农户通常缺乏高性能计算设备，亟需一种轻量化且能应对复杂果园环境的专用算法。

为解决这一难题，来自韶关市某桃园研究团队在《Journal of Visual Communication and Image Representation》发表研究，提出名为LP-Det的创新模型。该研究通过三大核心技术突破：首先开发Inshape-IoU-Soft-NMS(ISIS-NMS)算法，改进传统非极大值抑制对重叠目标的处理策略；其次设计Partial Convolution Batch-normalization SiLU(PCBS)模块，压缩模型体积并加速推理；最后引入Wise-IoUv3(WIoUv3)动态损失函数，有效抑制低质量样本对训练的干扰。研究采用自建的1382张自然场景桃果图像数据集验证，结果显示LP-Det在mAP@0.5和mAP@0.5:0.95指标上均显著优于基线模型YOLOv7n。

关键方法

1. ISIS-NMS算法：融合Soft-NMS的渐进置信度衰减机制与Inshape-IoU的几何特征评估，解决重叠桃果漏检问题
2. PCBS模块：通过部分卷积减少冗余计算，结合批归一化与SiLU激活函数优化特征提取效率
3. WIoUv3动态损失：采用非单调聚焦机制平衡高低质量样本的梯度贡献

研究结果

1. 图像采集：使用红米K40手机在自然光条件下多角度拍摄，构建包含2250×4000像素高分辨率样本的数据集
2. 评估指标：LP-Det的mAP@0.5达96.7%，较基线提升4.2个百分点；模型体积缩减38%至仅12.6MB
3. Grad-CAM可视化：热力图显示模型能精准聚焦桃果形状与纹理特征，对枝叶遮挡场景鲁棒性显著增强

结论与意义
该研究通过算法创新实现了桃果检测领域三重突破：ISIS-NMS将重叠目标识别准确率提升至业界新高；PCBS模块使模型具备边缘设备部署能力；WIoUv3技术为低质量样本训练提供普适性解决方案。实验数据证实LP-Det在保持SOTA精度的同时，推理速度达147FPS，完全满足实时检测需求。这项成果不仅为桃果产业自动化提供关键技术支撑，其轻量化设计思路更对农作物检测领域具有广泛借鉴价值。作者Jiachun Wu等特别指出，未来将进一步优化模型在极端光照条件下的稳定性，并探索跨作物迁移应用的可行性。