《Agriculture》：Data-Partitioning Sensitivity and Within-Session Stage Transfer in Vision-Based Garlic Soil Residue Grading on a Soil-Removal Test Bench
编辑推荐：
摘要专业翻译
连续采集的大蒜图像可能包含时间上相关的观测，这些观测会影响土壤残留分级估计。本研究使用两阶段YOLO26 nano（YOLO26n）检测器和EfficientNet-B0分类器，评估了数据划分敏感性和会话内采集阶段迁移。数据集包含在一次受控会话中
摘要专业翻译
连续采集的大蒜图像可能包含时间上相关的观测，这些观测会影响土壤残留分级估计。本研究使用两阶段YOLO26 nano（YOLO26n）检测器和EfficientNet-B0分类器，评估了数据划分敏感性和会话内采集阶段迁移。数据集包含在一次受控会话中采集的754幅红绿蓝（RGB）场景图像和10,721个蒜头实例，该会话中输送带以0.5 m/s运行，同时主动振动去土功能被禁用（0 Hz振动频率和0°筛面倾角）；标注者间一致性较高（二次加权Cohen's κ = 0.8750；360个实例）。对于种子42，随机图像划分下的宏平均F1分数（Macro-F1）为97.49%，2 s时间排除下为87.43%，完全阶段隔离下为76.32%。三次额外的时间排除运行得到85.92 ± 1.38%的Macro-F1。在固定的S07测试集（26个场景，405个蒜头）上，将时间上相邻的训练图像替换为同一阶段中时间更远的图像，同时保持训练场景和类别特定实例数量不变，Macro-F1从99.76%变为74.12%。在三种子、四折留一阶段（LOSO）评估中，基于阶段的组分布鲁棒优化（Stage-GroupDRO）实现了75.57%的阶段宏平均Macro-F1，而类加权经验风险最小化（Weighted-ERM）为74.11%，但配对95%置信区间包含零。完整流程在离线评估中实现了72.82%的合并端到端Macro-F1，处理速度为19.32帧每秒（FPS）。这些结果表明，在单次采集会话内，数据划分对结果具有显著敏感性；外部泛化、定量去土效率和闭环控制仍未经过测试。
论文解读
一、研究背景与问题
机械化大蒜收获与采后去土涉及挖掘、输送、土壤分离、根系与茎秆处理以及收集等多个环节。前进速度、挖掘深度、输送条件和分离强度均会影响残留土壤量、产品损失和蒜头损伤。土壤去除不足会增加后续处理负担，而过度的振动、冲击或摩擦则可能导致机械损伤。机器视觉已应用于大蒜根部修剪评估、自主分级分选以及自适应切根控制等领域。将视觉感知扩展到土壤残留分级，可为去土过程中调节输送速度、振动频率或筛面倾角提供有用的状态信号。
在连续图像采集场景中，相邻帧可能包含同一物料或高度相似的观测，因为姿态、尺度、土壤分布、背景和相机状态均会逐渐变化。在更宏观的尺度上，不同采集段或样本子批次可能在蒜头形态、品种组成、土壤质地、物料排列、操作干预或成像状态上存在差异。当时间、空间或层级相关的观测被划分到训练集和评估集时，随机图像级划分可能产生过于乐观的性能估计。类似效应在农业应用中也已有报道，例如Ribeiro等人发现，将随机留出法替换为留动物/天评估后，牛放牧活动的预测性能发生了显著变化；Dong等人则将同一连续农业视频序列中的帧保留在同一子集内，以减少训练、验证和测试数据之间的时间相关性。这些研究表明，划分单元应反映预期的部署边界，而非默认采用单张图像。
然而，关于短时间范围内时间邻近性在测试集固定时对分级性能影响程度的直接证据仍然有限。此外，农业视觉模型还必须应对采集条件、作物批次、场地、设备和环境之间的分布变化。连续采集日志提供了低成本的时间和批次元数据，既可用于定义更现实的评估边界，也可用于构建鲁棒训练的源组。基于上述背景，本研究旨在系统量化数据划分策略对分级性能估计的影响，并评估阶段感知鲁棒训练策略的有效性。
二、研究内容与主要结论
研究人员开发了一个两阶段视觉框架，将YOLO26 nano（YOLO26n）检测器与EfficientNet-B0分类器相结合，用于大蒜土壤残留分级。数据集包含754幅RGB场景图像和10,721个标注蒜头实例，全部来自单次受控采集会话。研究系统比较了随机图像划分、2 s时间排除划分和完全采集阶段隔离三种评估协议，并通过固定测试集诊断实验量化了短时间范围内训练图像邻近性的影响。此外，研究还评估了基于阶段的组分布鲁棒优化（Stage-GroupDRO）相对于类加权经验风险最小化（Weighted-ERM）在跨阶段鲁棒性方面的表现。
研究得出的主要结论包括：数据划分策略对分级性能估计有显著影响，随机划分下Macro-F1为97.49%，2 s时间排除下为87.43%，完全阶段隔离下为76.32%；固定测试集诊断显示，将时间邻近的训练图像替换为时间更远的同阶段图像后，Macro-F1从99.76%降至74.12%；Stage-GroupDRO在数值上略优于Weighted-ERM（75.57%对74.11%），但配对95%置信区间包含零，未确立统计学上的显著优势。这些发现强调了在连续采集的农业图像评估中采用划分感知评估策略的重要性。
三、关键技术与方法
本研究采用的主要技术方法包括以下几个方面。在数据采集方面，研究人员使用Intel RealSense D455深度相机，在室内振动去土试验台上以0.5 m/s输送速度、0 Hz振动频率和0°筛面倾角进行图像采集，相机垂直距离400 mm，光轴与筛面法线夹角为0°，有效视场约750 mm × 450 mm，RGB和深度流均以1280 × 720像素和30 FPS运行，每0.5 s保存一帧同步RGB–深度图像对。样本包含邳州白蒜和金乡白蒜两个品种，研究人员在采集前通过手动添加或去除蒜头表面土壤来获得更广泛的可见土壤残留状态。
在模型架构方面，研究采用两阶段检测–分类框架：YOLO26n（COCO预训练，2,375,031个参数，5.2 GFLOPs）负责在复杂场景中定位蒜头，每个预测框扩展3%后裁剪，由EfficientNet-B0（ImageNet预训练，保留默认dropout p = 0.2，最终全连接层替换为三单元输出层）对裁剪区域进行低、中、高三级土壤残留分类。训练使用AdamW优化器（初始学习率3 × 10?4，权重衰减1 × 10?4），余弦退火学习率调度，最多30个epoch，早停耐心7个epoch，批大小64，混合精度训练。
在评估协议设计方面，研究构建了四种协议：协议A为随机图像划分（530/112/112训练/验证/测试图像）；协议B为2 s时间排除划分，保留阶段重叠但排除训练、验证和测试子集间时间间隔≤2 s的图像对，该阈值基于标称输送速度0.5 m/s和估计的蒜头可见持续时间约1.87 s推导得出；协议C为完全阶段隔离（S01/S03/S04/S06训练，S07验证，S02/S05/S08测试）；协议D为四折留一阶段（LOSO）评估，依次留出S05–S08作为测试阶段。此外，固定测试集诊断使用相同的26个S07场景（405个蒜头）作为测试集，比较了Neighbor-included、2 s excluded和Stage-excluded三种训练条件。阶段标签预测性诊断使用线性分类探针作用于EfficientNet-B0特征，并进行了灰度转换、Gray-World白平衡、裁剪收缩和中心70%裁剪等输入消融实验。辅助消融实验包括序数监督（CE + Expected Rank）、MixStyle特征统计扰动和源阶段数据组成分析。统计推断采用配对双向交叉聚类bootstrap（200,000次重采样，固定随机种子20260914）估计95%置信区间。
四、研究结果
数据集组成与标注可靠性。 数据集中包含4,206个低残留、2,980个中残留和3,535个高残留实例，分别占39.23%、27.80%和32.97%。八个重建的采集阶段在残留等级分布上表现出显著差异：S01和S02以中残留为主（90.0%和92.1%），S03以高残留为主（95.3%），S04以低残留为主（95.6%）。高残留实例分布不均，3,535个高残留实例中有2,615个（74.0%）来自S03。在360个实例的平衡复核子集中，精确一致性为84.17%，二次加权Cohen's κ为0.8750（95% CI: 0.8404–0.9069），56个相邻等级分歧中有37个发生在中–高边界。
YOLO26n检测性能。 在S07验证集上，YOLO26n达到95.99%精确率、98.93%召回率、99.09% mAP@0.5和85.63% mAP@0.5:0.95；在固定留出测试集上相应值为96.34%、94.68%、98.94%和80.32%。mAP@0.5仅相差0.15个百分点，而mAP@0.5:0.95在留出集上低5.31个百分点。
三种评估协议比较。 随机图像划分下Accuracy、Macro-F1、Balanced Accuracy、MAE和QWK分别为97.59%、97.49%、97.37%、0.0247和0.9738。2 s时间排除下Accuracy和Macro-F1为87.40%和87.43%，MAE为0.1292。完全阶段隔离下Accuracy为76.76%，Macro-F1为76.32%，MAE为0.2350，QWK为0.7742。在固定协议B划分上，种子0、1、2产生86.32%、84.39%和87.05%的Macro-F1（85.92 ± 1.38%）。协议A在额外种子下达到97.69 ± 0.08% Macro-F1，协议C为76.87 ± 1.76%，性能排序在额外训练种子下保持一致。
固定测试集时间诊断。 Neighbor-included达到99.75% Accuracy和99.76% Macro-F1。将≤2 s内的S07训练图像替换为时间更远的同阶段图像后，Accuracy和Macro-F1降至74.81%和74.12%，差异为24.94和25.64个百分点。Stage-excluded参考条件为71.85% Accuracy和76.92% Macro-F1。类别分析显示，2 s excluded条件下高残留类Recall和F1仅为47.96%和50.00%，102个分类错误中有94个（92.16%）发生在中–高边界。额外种子下Neighbor-included为99.77 ± 0.40% Macro-F1，2 s excluded为71.10 ± 10.00%，Stage-excluded为71.86 ± 6.77%，配对优势方向一致但幅度变异较大。
阶段标签可预测性诊断。 仅使用中残留实例的八阶段分类达到96.91% Accuracy、94.54% Balanced Accuracy和94.28% Macro-F1。四阶段消融中，灰度转换、Gray-World白平衡、5%和10%每侧收缩以及中心70%裁剪后Macro-F1保持在96.05%–97.42%之间，表明采集相关视觉结构未被这些变换消除。
辅助消融实验。 序数监督方面，标准CE达到88.60 ± 2.20%测试Macro-F1，CE + Expected Rank为88.41 ± 1.74%，平均差异?0.19个百分点，未显示一致改善。MixStyle配置在S07验证集上为74.64% Macro-F1，低于基线78.58%（?3.94个百分点）。源池组成方面，Mixed-only和All-source训练分别达到73.00%和73.26% Stage-macro Macro-F1，差异仅+0.26个百分点。
Stage-GroupDRO与Weighted-ERM比较。 在三种子×四折LOSO实验中，Weighted-ERM的Stage-macro Macro-F1平均为74.11 ± 1.64%，Stage-GroupDRO为75.57 ± 1.96%。12个配对比较中7个 favoring Stage-GroupDRO，平均配对差异+1.45个百分点（中位数+0.77），种子级差异为+4.26、+1.55和?1.45个百分点。配对双向交叉聚类bootstrap的95%百分位置信区间为?1.84至+5.51个百分点，包含零，未确立统计学上的显著优势。平均Stage gap从20.24降至18.23个百分点，Worst-stage Macro-F1增加1.50个百分点，MAE和QWK也呈有利方向变化，但这些被视为描述性趋势。
端到端性能与运行时间。 在固定协议C划分下，检测器置信度0.25时产生1,637个检测，其中1,544个与1,579个真实目标匹配，操作点精确率94.32%，召回率97.78%。1,544个匹配目标中，分级Accuracy为76.30%，Macro-F1为75.85%，MAE为0.2377，QWK为0.7707。包含检测错误后，合并端到端Macro-F1为72.82%。S02、S05和S08等权平均给出61.01%匹配目标Stage-macro Macro-F1、58.67%完整端到端Stage-macro Macro-F1、54.21%最差阶段Macro-F1和9.24个百分点的Stage gap。平均YOLO26n处理时间为10.60 ms/场景，裁剪提取、分类器预处理和EfficientNet-B0推理需33.60 ms，总墙钟延迟51.76 ms/场景，相当于19.32 FPS，高于采集时使用的2 Hz帧保存率。
五、讨论与结论
讨论部分指出，评估协议对分级估计有显著影响，三种协议的性能差异表明对评估设计的敏感性。固定测试集诊断证明了对时间邻近训练图像包含的显著敏感性，但该对比不能单独识别潜在的依赖机制。高残留类识别性能低下可能与高残留实例在阶段间分布不均、手动土壤调整引入的子批次相似性以及中–高边界视觉模糊性有关，但这些因素未被独立控制或量化。阶段标签的高可预测性表明数据集中存在采集相关结构，但不构成时间独立阶段特征的确定证据。Stage-GroupDRO的数值优势不具统计学结论性，置信区间基于仅三个随机种子和四个留出阶段，不能推广到独立农业环境。研究还讨论了在线分级和机械化去土控制的潜在应用场景，但明确指出预测等级描述可见土壤残留状态而非定量验证的去土效率，外部泛化和闭环控制性能仍未经过测试。
研究结论可归纳为四点：第一，两阶段YOLO26n–EfficientNet-B0框架在754幅RGB场景图像和10,721个标注蒜头实例上进行了评估，视觉分级具有较高标注者间一致性（二次加权Cohen's κ = 0.8750）。第二，数据划分策略显著影响分级估计：随机图像划分为97.49% Macro-F1，2 s时间排除为87.43%，完全采集阶段隔离为76.32%；固定S07测试集上替换时间邻近训练场景使Macro-F1从99.76%变为74.12%，额外训练种子保持了主要性能排序但幅度有变异，凸显了连续采集农业图像中划分感知评估的重要性。第三，采集阶段标签高度可预测，表明存在采集相关视觉结构但非独立验证的阶段特征；Stage-GroupDRO在LOSO评估中达到75.57% Stage-macro Macro-F1，高于Weighted-ERM的74.11%，但配对95%置信区间包含零且种子级差异不一致，未确立统计学显著优势。第四，固定留出测试集上YOLO26n达到98.94% mAP@0.5，完整流程在离线评估中实现72.82%合并和58.67% Stage-macro端到端Macro-F1，处理速度19.32 FPS；预测等级描述可见土壤残留状态而非定量验证的去土效率，外部泛化和闭环控制性能仍未经过测试。
