基于结构感知的MRtic-Det框架：非结构化果园疏果期小目标检测新突破

本文推荐：该研究针对果园疏果期小目标检测难题，提出创新性MRtic-Det框架。通过MODMamba主干网络优化特征提取，结合CrossSourceMerge Neck（CSM-Neck）多尺度融合策略及P2层检测头，在自建苹果/黄金梨数据集上实现AP50提升4.9%、AP50-95提升5.8%，参数量减少45.4%，为智能疏果机器人提供精准农业新方案。

　　

Highlight亮点聚焦

MRtic-Det模型包含三大核心组件：1）MODMamba主干网络通过优化特征提取模块增强多尺度目标表征；2）跨源融合颈部（CrossSourceMerge Neck, CSM-Neck）集成多特征融合策略提升果实识别准确性与鲁棒性；3）保留RT-DETR-L分类回归模块，新增4个检测头强化多尺度目标处理能力。

Datasets数据集构建

独立采集疏果期苹果与黄金梨数据集，完整覆盖自然果园复杂场景，为疏果期检测任务提供关键数据支撑。

Experiment and analysis实验分析

开展对比实验与消融实验双重验证：对比实验突显模型优势，新增黄金梨数据集测试泛化能力；消融实验系统评估各模块贡献度，证实模型在复杂农业环境中的卓越性能。

Discussion创新讨论

从模型架构、关键指标表现、现存局限三维度深入探讨：MODMamba主干在杂乱果园场景的边界区分能力、CSM-Neck对局部细节与全局上下文建模的平衡、P₂层检测头对小果实的敏感性提升构成核心创新点。

Conclusion研究结论

MRtic-Det作为专为果园疏果期设计的检测框架，成功解决遮挡、果实尺寸变异、背景干扰等难题。通过在苹果/黄金梨疏果数据集上的验证，证实其三大创新组件（MODMamba主干、CSM-Neck、P₂检测头）可协同提升复杂环境下的检测鲁棒性，为智能农业系统提供新范式。