DMP-YOLO算法：面向复杂场景稠密多尺度欧李小目标检测的创新方法及其在精准农业中的应用

本文推荐研究人员针对欧李(Prunus humilis)小目标果实检测中存在的密集遮挡、多尺度分布及复杂背景干扰等问题，开展了基于改进YOLO-v8的DMP-YOLO算法研究。通过设计C2f_MSCA多尺度上下文聚合模块、引入TransformerBlock+SPP结构及创新多维自适应卷积C2f_MDAC模块，显著提升了小目标检测精度与召回率。实验表明该模型在正常光照下mAP50达73.5%，推理速度仅0.9ms，为智慧农业果实精准检测提供了高效解决方案。

　　

在智慧农业蓬勃发展的今天，果实自动检测技术已成为实现农作物智能化管理的关键环节。欧李(Prunus humilis)作为一种原产于中国的特色灌木果树，其果实富含维生素C且风味独特，具有极高的营养价值和经济效益。然而，欧李采摘长期面临巨大挑战——植株低矮（0.5-2米）、花果密集簇生、枝叶遮挡严重，加上自然光照变化多端，导致果实检测时存在大量小目标丢失、误检和漏检现象。更棘手的是，未成熟果实体积微小（直径常小于15像素）且与叶片颜色相近，在复杂背景下难以准确识别，这严重制约了欧李产业的机械化采收进程。

传统检测方法主要分为两类：基于区域提议的两阶段检测算法（如R-CNN系列）虽精度较高但计算量大、速度慢；而单阶段检测算法（如YOLO系列）虽速度占优，但在处理密集小目标时精度不足。现有研究虽在草莓、猕猴桃等水果检测中取得进展，但针对欧李这种具有特殊多尺度分布特性的小目标检测仍缺乏有效解决方案。

为此，辽宁工程技术大学环境科学与工程学院的研究团队在《Smart Agricultural Technology》发表最新研究成果，提出了一种基于YOLO-v8改进的DMP-YOLO（Dense Multi-scale Perception YOLO）算法，专门解决复杂场景下稠密多尺度欧李小目标检测难题。该研究通过三个核心创新模块：设计多尺度上下文聚合模块C2f_MSCA增强小目标特征提取能力，引入TransformerBlock+SPP模块建立长程依赖关系，创新多维自适应卷积C2f_MDAC实现多尺度特征自适应融合，有效提升了模型在复杂背景下的检测性能。

研究采用的技术方法主要包括：在辽宁阜新章古台欧李试验基地（2025年4-8月）通过手机和无人机设备采集3000×4000像素图像数据，使用 mosaic增强和自动增强策略进行数据扩充；构建包含开花期、幼果期、未成熟期和成熟期的1550个标注目标数据集；采用精确率(Precision)、召回率(Recall)、平均精度(AP)等指标进行模型评估；在NVIDIA GeForce RTX 3060 Ti GPU平台上进行300轮次训练，使用SGD或Adam优化器，批量大小为8。

研究结果方面：

3.1 评价指标

建立了基于TP、FP、FN的评估体系，通过精确率、召回率、mAP50和mAP50-95等量化指标全面评估模型性能。

3.2 实验介绍

DMP-YOLO模型整体检测精度达71.60%，其中对513个极小果实检测精度为85.6%，成熟果实检测精度高达92.90%，单图推理时间仅0.9ms，满足农业实时检测需求。

3.2 消融实验

通过渐进式改进验证各模块贡献：单独使用C2f_MSCA模块使精度提升0.5个百分点；TransformerBlock+SPP模块使精度提升2.1个百分点；C2f_MDAC模块使召回率提升5个百分点。三模块组合使用时，相比基线模型精度提升2.9个百分点，召回率提升8个百分点，mAP50和mAP50-95分别提升13.92和13.91个百分点。

3.3 对比实验

3.3.1 正常光照条件下实验

与YOLOv3-v12等主流模型对比，DMP-YOLO在mAP50(73.5%)、召回率(68.6%)和推理速度(0.9ms)方面均最优，其中对小尺寸未成熟果实检测精度达73.2%，较其他模型提升3-43.5个百分点。

3.3.2 昏暗光照条件下实验

在模拟低光环境中，模型仍保持69.8%的mAP50和61.7%的召回率，推理速度7.1ms，相比YOLOv8等模型提升12.9-16.9个百分点，证明其强泛化能力。

研究结论表明，DMP-YOLO模型通过多模块协同机制，有效解决了欧李小目标检测中的三个关键问题：复杂背景干扰、密集排列导致的目标丢失以及枝叶果实重叠区域的漏检。在正常光照下，相比基线模型检测精度提升14.6个百分点，召回率提升12.3个百分点；在昏暗环境下仍保持显著优势。该研究为欧李智慧化生产提供了重要的技术支撑，基于早期果实发育阶段（特别是极小果期）的精准检测，为制定精确差异化田间水肥管理策略提供了科学依据。

研究的局限性在于模型参数量(3.88M)和计算复杂度(11.70 GFLOPS)较高，在资源受限硬件平台部署存在挑战。未来研究将探索极端天气条件（阴雨、雾天）下的欧李检测，重点解决极端光照环境下的鲁棒性和不同冠层覆盖度的检测适应性等科学问题。