基于YOLO-CDD模型的天然橡胶采集碗与乳胶流动状态实时精准检测技术研究

为解决天然橡胶采收过程中人工检测效率低、成本高的问题，研究人员开发了基于YOLOv12n改进的YOLO-CDD模型，通过创新性C2f-DSC模块和DWConv技术，实现了乳胶采集碗（满/未满/倾倒）与流动痕迹（耗尽/未耗尽）的高精度实时检测。实验表明，该模型mAP0.50达80.7%，较基线提升3.6%，推理时间降低13.3%，为橡胶种植智能化监测提供了轻量化解决方案。

　　

天然橡胶作为航空航天、交通运输等领域的关键战略物资，全球年产量与消费量存在显著缺口。传统橡胶采收依赖人工判断乳胶采集碗状态（满/未满/倾倒）和流动痕迹（耗尽/未耗尽），效率低下且成本高昂。尽管计算机视觉技术已在农业领域广泛应用，但针对橡胶采收场景的自动化检测研究仍属空白。现有研究多聚焦于收割机器人结构设计或产量预估，而采集碗状态识别面临视角多变、光照复杂、乳胶痕迹与树皮纹理相似等挑战，亟需开发兼顾精度与实时性的检测方法。

为此，Jincan Zhu等人在《Smart Agricultural Technology》发表研究，提出基于YOLOv12n改进的YOLO-CDD模型。团队首先构建包含2,408张标注图像的数据集，覆盖中国西双版纳橡胶园实地场景，通过随机旋转和高斯噪声增强数据多样性。关键技术包括：1）设计跨阶段深度可分离卷积融合模块（C2f-DSC），整合1×1、3×3、5×5多尺度卷积核增强特征提取能力；2）在骨干网络和检测头嵌入深度可分离卷积（DWConv）降低计算量；3）采用GTX 1650模拟边缘设备验证部署可行性。

研究结果显示：

1. 1.

   模型性能：YOLO-CDD在自建数据集上mAP_0.50达80.7%，较YOLOv12n提升3.6%，mAP_0.50:0.95提升3.7%，推理时间减少13.3%。其中"满碗"状态检测精度最高（97.8%），而"未耗尽"痕迹因低对比度识别难度大（mAP_0.50仅53.6%）。

2. 2.

   模块优化：C2f-DSC置于骨干网络中层时效果最佳，较其他位置提升特征融合效率；DWConv在骨干网络中高层与检测头中层联合使用时，参数量减少至237.5M仍保持高精度。

3. 3.

   轻量化对比：在COCO数据集上，YOLO-CDD以2.58M参数量实现29.4% mAP，优于NanoDet等轻量模型，证明其平衡精度与效率的优势。

讨论指出，该研究首次系统解决了橡胶采收场景下的多目标检测难题，创新点在于：1）C2f-DSC模块通过跨阶段特征融合增强对小目标（如细弱乳胶痕迹）的敏感性；2）DWConv的层级化应用实现计算量压缩而不牺牲精度。局限性体现在对动态流动状态的时序建模不足，未来可结合近红外成像或时空神经网络进一步优化。这项技术为橡胶园智能监测系统开发奠定基础，推动热带经济作物生产向数字化、自动化转型。