基于高光谱重建与YOLOv8融合的荔枝果实检测与成熟度识别方法优化研究

为解决传统RGB图像在复杂农业场景下检测精度不足的问题，研究人员提出融合高光谱重建网络（HRNet/HiNet/MIRNet/MST/MST++）与YOLOv8的改进方法。通过构建农业高光谱数据集，将RGB图像重建为31波段高光谱数据，显著提升荔枝果实检测（精度达91.17%）、分割及成熟度识别（准确率98.40%）性能，为农业自动化采摘与管理提供创新解决方案。

　　

荔枝作为中国最具经济价值的水果之一，其产业规模迅速扩张，但传统依赖人工采摘的方式已难以匹配生产需求。当前基于RGB图像的计算机视觉技术（如YOLOv5、DeepLabV3+）在复杂光照、果实遮挡等场景下表现受限，而高光谱成像（HSI）虽能提供丰富光谱信息，却因设备昂贵、采集效率低难以普及。如何通过低成本RGB相机获取高光谱数据，并提升检测模型的鲁棒性，成为农业智能化的关键挑战。

广东省某高校研究团队在《Computers and Electronics in Agriculture》发表研究，创新性地将5种高光谱重建模型（HRNet/HiNet/MIRNet/MST/MST++）与YOLOv8结合，构建了一套从RGB图像重建、特征提取到多任务识别的完整框架。研究首先利用公开数据集ARAD_1K和自建农业高光谱数据集训练重建模型，再通过特征提取算法将31波段数据适配YOLOv8输入，最终实现检测、分割与成熟度（三类）同步识别。

研究结果

1. 改进YOLOv8性能对比：在检测任务中，YOLOv8n-MST++模型精度达91.17%，较基线YOLOv8n（80.82%）提升显著；成熟度识别准确率从88.00%跃升至98.40%，验证了光谱信息对复杂任务的增益作用。
2. 极端环境适应性：在过曝/欠曝图像中，融合高光谱重建的模型表现出更强鲁棒性，克服了RGB模型对光照条件的敏感性。
3. 模型效率分析：Transformer架构的MST++因光谱维度多头自注意力（S-MSA）和U型谱变换器（SST）设计，在长程特征捕获上优于CNN类模型（如HRNet）。

结论与意义
该研究首次将高光谱重建技术与YOLOv8深度融合，通过低成本RGB图像生成高保真光谱数据，解决了农业场景中动态目标识别的核心痛点。MST++的级联谱变换器设计为光谱重建领域提供了新范式，而98.4%的成熟度识别精度为荔枝自动化分级奠定了技术基础。未来可进一步探索轻量化部署，推动该系统在果园机器人、智慧农业中的实际应用。