基于多尺度自适应特征感知的石灰覆盖蜜橘成熟度检测模型HTMDet研究

为解决石灰覆盖条件下蜜橘成熟度检测难题，研究人员提出多尺度自适应特征感知模型HTMDet，通过CIELAB色彩空间转换、特征选择优化模块(FSRM)、跨尺度特征融合模块(CFFM)及自适应膨胀注意力机制(MSADM)，实现复杂环境下86.4% mAP@0.5的检测精度，为农业智能化提供新方案。

　　

在柑橘种植业中，石灰水喷洒是防治裂果、日灼和虫害的常见措施，但形成的白色覆盖层却给成熟度检测带来巨大挑战——果实表面颜色被掩盖、光照不均、尺寸差异和枝叶遮挡等问题，使得传统检测方法难以奏效。广西大学计算机与电子信息学院的研究团队注意到这一行业痛点，针对石灰覆盖蜜橘的特殊场景，开发了名为HTMDet的多尺度自适应特征感知模型，相关成果发表在《Food Control》上。

研究团队采用三大核心技术：首先将RGB图像转换为CIELAB色彩空间以增强颜色敏感度；其次设计特征选择与优化模块(FSRM)通过深度可分离卷积剔除冗余信息；最后构建跨尺度特征融合模块(CFFM)和自适应膨胀注意力机制(MSADM)，后者能动态预测最佳膨胀率以捕捉微小目标特征。实验数据来自广西山水农港蜜橘基地，使用iPhone 13和佳能IXUS 125 HS在不同光照条件下采集图像。

色彩空间转换验证：CIELAB空间比RGB更有效区分石灰层下的成熟度差异，验证了预处理策略的必要性。
消融实验：FSRM使特征图信噪比提升23%，CFFM通过空间-通道双注意力实现跨维度依赖建模，MSADM对小目标检测召回率提高17.8%。
模型对比：HTMDet以86.4% mAP@0.5超越YOLOv8、Faster R-CNN等主流模型，在精确率(81.2%)和召回率(82.1%)指标上均表现最优。

该研究的突破性在于：首次系统解决石灰覆盖作物的成熟度检测难题，提出的自适应膨胀机制为小目标检测提供新思路；实际应用中可降低60%以上人工检测成本，为农业机器人的视觉系统开发奠定基础。值得注意的是，模型在暴雨后石灰层剥落不均的极端场景下仍保持82%以上的稳定性，展现出强大的环境适应性。未来可通过迁移学习拓展至其他经济作物的保护层检测领域。