《Frontiers in Plant Science》：YOLO-RSTS: a precise segmentation model for detecting preservative and stimulant spraying regions on rubber trees
编辑推荐：
本文提出YOLO-RSTS模型，针对橡胶树防腐剂与乙烯刺激剂喷洒区域分割任务，创新性地引入CrossScaleDSC、CG-Attention和C2f-DSC模块，结合RFCAConv与DWConv优化特征提取。实验表明，该模型在自建数据集上mAP0.50提升6.3%，参数量降低14.5%，显著提升复杂环境下喷涂区域的识别精度与实时性，为橡胶种植智能化管理提供可靠视觉解决方案。
引言：橡胶树喷涂区域分割的挑战与创新需求
天然橡胶作为全球工业经济的关键战略资源，其生产管理效率直接影响经济效益与生态可持续性。传统人工喷洒方式效率低下，难以适应大规模种植园管理需求。现有分割模型在复杂树皮纹理和多变光照条件下表现不佳，导致喷涂边界模糊和识别精度下降。针对这一问题，本研究基于YOLOv12n-Seg框架提出改进模型YOLO-RSTS，通过模块化创新实现橡胶树防腐剂与刺激剂喷洒区域的精准分割。
方法：多模块协同的模型架构设计
YOLO-RSTS模型在骨干网络和颈部网络中引入三大核心模块：CrossScaleDSC模块通过深度可分离卷积（DSC）与瓶颈结构优化多尺度特征提取，显著降低计算复杂度；CG-Attention模块结合通道主成分分析注意力（CPCA）与全局注意力机制（GAM），增强空间-通道特征的协同建模；C2f-DSC模块采用多路径设计强化局部与全局特征融合。此外，RFCAConv模块通过感受野增强与通道注意力提升空间多样性，DWConv模块则通过深度可分离卷积实现参数量的有效控制。
数据集构建与评估体系
研究团队整合网络公开数据与云南西双版纳实地采集图像，构建包含1,306张标注样本的数据集，涵盖防腐剂与刺激剂两类喷涂区域。为验证模型泛化能力，额外在海南儋州采集346张冬季环境图像作为独立测试集。评估指标包括精确率（Precision）、召回率（Recall）、平均精度均值（mAP0.50）、F1分数等核心指标，同时参数量（Parameters）与计算量（GFLOPs）作为效率衡量标准。
实验结果：精度与效率的显著提升
消融实验表明，完整YOLO-RSTS模型相比基线YOLOv12n在精确率提升6.3%（0.819→0.882），mAP0.50提升6.3%（0.788→0.851），召回率提升8.1%（0.740→0.821），参数量降低14.5%（2.72M→2.33M）。与最新YOLOv13n相比，mAP0.50提升7.5%，F1分数提升9.2%。CG-Attention模块在对比实验中展现出最优的精度-计算量平衡，其精确率达0.886，参数量仅2.64M。
跨区域泛化验证与实际应用展示
在海南独立测试集上，YOLO-RSTS保持稳定性能：图像级中位数精度从0.8460提升至0.8687，有效检测图像数量从335张增加至338张。可视化结果显示，该模型在复杂背景下的边界拟合度显著提升，对小尺度目标连通性恢复能力增强。针对冬季低光照条件，模型仍保持较高分割一致性，验证其环境适应性。
讨论：技术优势与未来展望
YOLO-RSTS通过模块化设计有效解决了橡胶树喷涂区域分割中的三个核心难题：复杂纹理下的特征提取效率、多变光照下的边界稳定性、轻量化部署需求。与Mask R-CNN等重型模型相比，其参数量降低约20倍，更适配边缘计算设备部署需求。未来研究方向可聚焦多模态数据融合（如激光雷达与多光谱成像）与Transformer架构的进一步优化，以提升在极端环境下的鲁棒性。
结论：智能种植管理的技术突破
YOLO-RSTS模型通过创新性模块组合，实现了橡胶树喷涂区域高精度分割与轻量化计算的平衡。其在跨区域、跨季节测试中的稳定表现，证明了该模型在实地部署的可行性。该研究为橡胶种植智能化管理提供了关键技术支撑，对推动精准农业在热带经济作物领域的应用具有重要实践意义。
