基于改进RT-DETR的复杂环境下草莓成熟度智能检测模型PDSE-DETR研究

为解决温室草莓(Fragaria × ananassa)成熟度检测中面临的小目标、密集遮挡和叶片干扰等难题，研究人员开发了新型PDSE-DETR模型。该模型通过轻量化模块优化主干网络，融合注意力机制与特征金字塔，在自建草莓数据集上实现检测精度提升2.1%，参数量与计算成本降低30%以上，为自动化采收提供实时可靠的解决方案。

　　

在温室复杂环境中实现草莓(Fragaria × ananassa Duchesne ex Rozier)成熟度的精准快速检测，是推进机械化采收的关键技术瓶颈。现有方法常因目标尺寸小、果实密集重叠及叶片遮挡等问题导致性能受限。实时检测变压器(RT-DETR)虽通过端到端架构省去了非极大值抑制(NMS)处理，但其在农业场景中仍存在计算效率低和鲁棒性不足的缺陷。

研究团队创新性提出PDSE-DETR模型——融合部分幻影卷积(partical ghost convolution)、可变形注意力(deformable attention)与高效局部特征融合技术的检测框架。该模型通过轻量化模块重构主干网络，在保持特征提取能力的同时显著降低30.2%的参数量；结合注意力机制与特征金字塔网络，有效抑制背景干扰并提升密集目标的识别率；优化损失函数设计，使小目标回归定位精度得到显著改善。

在自建草莓数据集上的实验表明，PDSE-DETR平均检测精度较基线RT-DETR提升2.1%，计算成本降低30.7%。这种兼顾精度与效率的突破，为实际温室环境下的实时成熟度评估提供了可靠技术支撑，对优化草莓自动化采收流程具有重要应用价值。