RFE-YOLO：一种更精确的YOLO算法，用于区分优质苹果和有缺陷的苹果

苹果品质需求增长催生自动化检测需求，传统人工方法效率不足。尽管YOLO等深度学习模型取得进展，仍存在检测精度低（<96.3%）、计算量大、复杂环境适应性差等问题。本文提出RFE-YOLO改进模型：1）引入Efficient RepGFPN优化多级特征连接；2）采用C3_Faster模块替代原C3模块降低计算复杂度；3）集成EMA模块强化空间语义特征融合。实验表明，该模型在苹果数据集上mAP达96.3%，较原模型提升2%，并构建可视化检测系统辅助质检。

　　

摘要

随着经济的快速发展，消费者对高质量苹果的需求显著增加。传统的人工检测方法已无法满足市场需求。尽管深度学习在苹果质量检测方面取得了显著进展，但现有模型仍面临检测精度不足、效率低下以及适应复杂环境能力差等挑战，因此需要技术创新来提升检测能力。为了解决苹果缺陷检测问题，本文提出了一种RFE-YOLO模型。首先，在原始模型中引入了高效复制的全球特征金字塔网络（Efficient RepGFPN），以优化特征重用和多层次连接设计。为了降低计算开销，用C3_Faster模块替换了C3模块，有效提高了推理速度。最后，集成了一种高效多尺度注意力（EMA）模块，通过结合多尺度特征和注意力机制来增强模型表示空间和语义特征的能力。实验结果表明，RFE-YOLO模型在苹果数据集上的mAP达到了96.3%，比原始模型提高了2%。此外，所设计的苹果质量检测系统能够以可视化方式展示检测结果，为质量检测任务提供了直观有效的支持。

图形摘要