基于LBSR-YOLO算法的蓝莓健康监测系统在无线传感器网络中的低功耗高效应用研究

针对蓝莓集约化种植中健康监测成本高、效率低的问题，研究人员结合BSRN超分辨率重建与YOLO v10n算法，提出LBSR-YOLO模型。该算法通过LKWSConv、FPConv等模块优化，在低分辨率图像上实现79.3% mAP，模型仅3.7 MB，能耗降低0.76 J，为WSN场景提供低成本、长续航的智能监测方案。

　　

蓝莓作为全球重要的经济作物，其健康监测一直是农业领域的难点。据国际蓝莓组织（IBO）2024年报告，中国以84,000 hm²种植面积成为全球最大产区，但传统人工监测存在效率低、成本高的问题。尤其对于集约化种植场景，蓝莓病害目标小、观测难度大，现有高精度算法又因计算复杂度难以部署在资源受限的无线传感器网络（WSN）节点上。这一矛盾促使贵州科学院植物种质资源保护基地的研究团队开展创新研究，相关成果发表在《Computers and Electronics in Agriculture》。

研究团队提出LBSR-YOLO算法，通过三大技术突破实现革新：1）在BSRN超分辨率网络中引入大核权重共享卷积（LKWSConv）和部分卷积（PConv），提升图像质量同时降低参数；2）对YOLO v10n嵌入自由部分卷积（FPConv）和全维度动态卷积（ODConv），增强小目标检测能力；3）采用跨尺度特征融合模块（CCFF）和空洞残差模块（DWR）重构颈部结构。实验数据来自2024年贵州温室环境下采集的1,235张3,456×3,456分辨率图像，涵盖白粉病、炭疽病等典型病害。

研究结果显示：在硬件配置为NVIDIA RTX 4090的测试环境中，LBSR-YOLO以44.5 GFLOPs的计算量实现79.3% mAP，模型体积仅3.7 MB。实际部署中，相比传统方法，该算法使WSN边缘节点单次检测节能0.76 J，7.4 Wh电池续航延长1,300秒。这些突破得益于算法层面的三重优化——超分辨率重建模块将输入图像分辨率要求降低50%，目标检测模块通过ODConv增强特征提取，而CCFF模块显著提升小目标识别率。

结论部分强调，LBSR-YOLO首次实现WSN场景下蓝莓病害的"低分辨率采集-高精度识别"闭环，其3.7 MB的轻量化特性使得每台设备成本可控制在200元以内。这项研究不仅为蓝莓集约化种植提供可落地的智能监测方案，更为农业物联网中算法-硬件协同设计树立新范式。正如作者Zhiwen Song在讨论中指出，该技术的推广将改变目前依赖人工巡检的现状，预计可使单亩蓝莓园年监测成本降低60%以上。