《Applied Sciences》：A Dual-Backbone Collaborative Feature Enhancement Network for Low-Contrast Small-Object Detection in Parallel Fruit-Sorting Robots
编辑推荐：
针对簇生水果中葡萄果梗因目标尺寸小、与周围果实对比度低且频繁遮挡而难以检测的问题，本研究提出ELCD-YOLO，一种用于并行水果分拣机器人视觉感知阶段葡萄果梗检测的双主干协同特征增强网络。首先，研究人员采用YOLOv12s与EfficientNetV2-N作为
针对簇生水果中葡萄果梗因目标尺寸小、与周围果实对比度低且频繁遮挡而难以检测的问题，本研究提出ELCD-YOLO，一种用于并行水果分拣机器人视觉感知阶段葡萄果梗检测的双主干协同特征增强网络。首先，研究人员采用YOLOv12s与EfficientNetV2-N作为异构并行主干，从同一输入图像中提取互补的语义特征与局部纹理特征。跨主干特征融合与改进的轻量级跨层重构模块（LR）相结合，在不增加检测头数量的情况下，将融合后的P3、P4和P5特征重组为更高分辨率的P2、P3和P4检测表征。研究人员在跨尺度重构路径中采用DySample进行内容自适应空间对齐，并在A2C2之后串行引入CAFM以实现上下文与局部特征的互补细化。上述组件在统一架构中协同配置，以应对小目标尺寸、低对比度、遮挡及复杂背景干扰的耦合挑战。研究在主要基于机器人平台采集图像构建的葡萄果梗检测数据集上开展实验，数据增强仅限训练集，且已识别的采集组重叠样本从评估子集中剔除。在三次独立训练中，ELCD-YOLO实现了68.00 ± 0.25%的mAP@0.5、92.51 ± 0.25%的精确率（Precision）及59.50 ± 0.35%的召回率（Recall），较YOLOv12s分别提升2.89、3.10和4.18个百分点。该模型计算量为21.5 GFLOPs，模型大小为23.6 MB，在NVIDIA RTX 4070上检测流水线推理速度达81 FPS。上述结果表明，该模型在保持实时推理能力的同时提升了葡萄果梗检测性能，支持将ELCD-YOLO作为并行水果分拣机器人视觉感知组件的进一步研究。
论文解读：ELCD-YOLO——面向并行水果分拣机器人低对比度小目标检测的双主干协同特征增强网络
一、研究背景与问题
随着智慧农业与农业机器人技术的发展，自动化水果分拣已成为农产品智能加工的重要环节。在机器人分拣系统中，视觉感知模块负责获取果实及可抓取目标的位置与类别，其检测精度与实时性直接影响后续抓取定位与分拣效率。相较于传统人工分拣，基于机器视觉的非接触式检测具有适应性强、自动化程度高、成本相对较低等优势，已广泛应用于果实检测、定位、机器人采摘与分拣任务。
对于葡萄这类簇生水果，果实密集分布导致严重遮挡与结构重叠，直接进行果实定位往往不足以支撑稳定的机器人抓取。为减少抓取过程中的机械损伤，葡萄果梗通常被选作抓取目标。并行机器人具有高动态响应与运动控制精度优势，适用于高速水果分拣任务，但其实际性能高度依赖于视觉系统对果梗的快速准确检测与定位能力。
然而，葡萄果梗检测面临多重耦合挑战：其一，果梗在图像中仅占较小区域，属于典型小目标，随着网络深度增加，重复下采样在丰富高层语义表征的同时导致浅层空间细节、边界信息与纹理特征的逐渐丢失；其二，葡萄果实与果梗常呈现相似颜色与纹理，导致果梗与周围果实对比度低，弱边界与局部纹理线索易被复杂背景信息淹没；其三，簇生果实密集分布造成的遮挡、光照变化及复杂背景进一步加剧了目标与周围环境的特征混淆。因此，该任务不仅是单纯的小目标检测问题，而是涉及小目标、低对比度与遮挡干扰的耦合视觉感知问题。
现有方法通常通过多尺度特征融合、注意力机制、轻量级网络架构与特征增强策略提升检测性能，但在低对比度小目标条件下，单一特征提取通路难以同时保留全局语义信息与局部纹理细节。过度依赖深层语义特征可能导致弱边界与细粒度纹理信息丢失，而过度强调局部特征则可能使检测器更易受复杂背景与遮挡区域干扰。因此，在保持较低计算复杂度的同时实现全局语义与局部纹理信息的互补增强，是提升并行水果分拣机器人低对比度小目标检测能力的关键挑战。
二、研究内容与主要技术方法
针对上述挑战，研究人员提出了ELCD-YOLO，一种基于YOLOv12s框架构建的双主干协同特征增强网络。研究采用的主要关键技术方法包括：异构双主干特征提取架构（结合YOLOv12s与EfficientNetV2-N，从同一输入图像提取互补的语义与局部纹理表征）；基于DFF的跨主干特征融合；轻量级跨层重构模块（LR，借鉴LSOD-YOLO的跨层重构概念，将融合后的P3、P4、P5特征重组为更高分辨率的P2、P3、P4检测表征，不增加检测头数量）；DySample动态上采样（在跨尺度重构路径中提供内容自适应空间对齐）；以及CAFM卷积-注意力融合模块（串行置于A2C2之后，提供互补的上下文-局部特征细化）。实验数据集主要基于并行水果分拣机器人平台采集的葡萄图像构建，共1096张原始图像，按8:1:1划分训练、验证与测试集，数据增强仅限训练集，并剔除了评估子集中与训练集存在采集组重叠的样本。最终数据集包含4731张训练图像、105张验证图像和108张测试图像。
三、研究结果
3.1 总体性能对比
研究人员将ELCD-YOLO与YOLOv5s、YOLOv8s、YOLOv8l、YOLOv11s、YOLOv12s以及专门面向小目标检测的LSOD-YOLO和CSF-Net进行了对比实验。在最终108张测试图像上，ELCD-YOLO三次独立训练的平均mAP@0.5为68.00 ± 0.25%，精确率为92.51 ± 0.25%，召回率为59.50 ± 0.35%，较YOLOv12s基线分别提升2.89、3.10和4.18个百分点。ELCD-YOLO计算量为21.5 GFLOPs，模型大小23.6 MB，推理速度81 FPS。与YOLOv8l相比，虽然其单次运行的mAP@0.5数值略高0.15个百分点，但ELCD-YOLO所需计算量大幅减少、存储更小且推理速度更高。与LSOD-YOLO和CSF-Net相比，ELCD-YOLO在mAP@0.5和精确率上数值更高，但在模型大小和推理速度方面各有不同的权衡。
3.2 核心消融实验
研究人员以YOLOv12s为基线进行了顺序消融实验，逐步引入异构双主干架构（E）、轻量级跨层重构模块（L）、串行A2C2+CAFM配置（C）和DySample动态上采样（D）。结果表明：引入双主干后E-YOLO的mAP@0.5从65.11%提升至65.92%；加入LR模块后EL-YOLO进一步提升至66.30%，同时模型大小从27.6 MB降至23.9 MB；串行加入CAFM后ELC-YOLO达到66.62%；最终引入DySample后完整ELCD-YOLO达到68.00%。各组件均带来渐进式性能提升，且计算复杂度保持21.5 GFLOPs不变。
3.3 不同辅助主干架构对比
研究人员比较了MobileNetV4、GhostNet、ShuffleNetV1和EfficientNetV2-N四种轻量级辅助主干。结果显示，基于EfficientNetV2-N的ELCD-YOLO配置取得了最高的mAP@0.5（68.00%）、精确率（92.51%）和召回率（59.50%），优于MobileNetV4（65.21%）、GhostNet（66.02%）和ShuffleNetV1（65.91%）配置。
四、讨论与结论
研究结果表明，ELCD-YOLO通过异构双主干特征提取、跨主干融合、高分辨率跨层重构、串行A2C2+CAFM特征细化及DySample动态空间对齐的协同集成，有效改善了低对比度葡萄果梗的检测性能，同时保持了实时推理能力。该研究的贡献在于对既有架构机制的任务导向性适配与集成，而非提出全新的组件级方法。
研究结论指出，ELCD-YOLO在三次独立训练中实现了68.00 ± 0.25%的mAP@0.5、92.51 ± 0.25%的精确率和59.50 ± 0.35%的召回率，较YOLOv12s基线分别提升2.89、3.10和4.18个百分点。模型需要21.5 GFLOPs计算量，占用23.6 MB存储空间，在NVIDIA GeForce RTX 4070 GPU上检测流水线推理速度达81 FPS。尽管模型大小有所增加、推理速度较YOLOv12s略有下降，但报告的计算复杂度保持不变。
研究同时指出了若干局限性：评估基于相对有限且任务特定的数据集，主要来自单一实验机器人平台，缺乏系统的跨数据集与跨环境验证；实验验证仅限于葡萄果梗检测与图像空间边界框定位，未定量评估机器人坐标定位精度、抓取成功率、分拣成功率及完整机器人周期时间。未来工作将聚焦于跨数据集与跨环境评估、模型压缩与边缘计算平台部署，以及将视觉感知框架与相机标定、三维目标定位、坐标变换、机器人运动规划与抓取控制集成，以实现完整机器人分拣性能的定量评估。
