RSWNet：面向无人机温室玫瑰监测的轻量级检测器

《Drones》：RSWNet: Lightweight Scale–Spatial–Frequency Feature Learning for UAV-Based Greenhouse Rose Monitoring

　　无人机温室玫瑰监测需要在尺度变化显著、叶片遮挡、背景相似、光照变化以及运动导致的图像退化等条件下准确检测玫瑰目标，同时保持轻量级推理能力以满足实际实时边缘部署需求。本研究提出RoseScaleWaveNet（RSWNet），一种基于YOLO26n的轻量级检测器，通过三个互补模块协同尺度、空间上下文和频率信息：C3MKIR用于多感受野特征提取，SEASCPP用于位置感知的多尺度上下文建模，MWAdaLF用于频率解耦的跨层级特征融合。在标注了两个花瓣开放类别的多源温室玫瑰数据集上的实验表明，RSWNet仅需2.30 M参数即可达到94.13%的精确率、91.95%的召回率、95.51%的mAP@50和59.22%的mAP@50:95，推理速度为185 FPS。与YOLO26n相比，mAP@50和mAP@50:95分别提升了5.50和4.70个百分点，同时模型复杂度略有降低。将所提出的模块迁移到四种代表性YOLO架构上时，平均mAP@50增益达到4.24个百分点。在六个外部花卉相关数据集上的跨域评估进一步证明了在零样本评估和特定数据集重新训练两种设置下均有一致的性能提升。在模糊、噪声、光照变化、运动模糊和尺度变化下的受控实验验证了对所评估图像扰动的鲁棒性。在桌面和笔记本GPU、仅CPU硬件以及Jetson Orin Nano上的独立基准测试量化了推理效率。这些结果支持RSWNet在所评估条件下用于无人机辅助温室玫瑰检测的潜力。