《Information Processing in Agriculture》：Light-Inflorescence-Detection: A lightweight method for apple inflorescence detection in natural environments
编辑推荐：
苹果花序不同物候期的疏花效果差异显著。准确检测苹果花序并确定其物候期可为苹果疏花提供重要指导。本研究提出了一种基于轻量级花序检测网络（Light-Inflorescence-Detection, LID）的不同阶段苹果花序检测方法。混合组块（Hybrid Gr
苹果花序不同物候期的疏花效果差异显著。准确检测苹果花序并确定其物候期可为苹果疏花提供重要指导。本研究提出了一种基于轻量级花序检测网络（Light-Inflorescence-Detection, LID）的不同阶段苹果花序检测方法。混合组块（Hybrid Group Block, HGBlock）被集成到骨干网络（Backbone）中，其中并行卷积（Parallel Convolution）有助于保持特征多样性，同时有效降低模型的计算量和参数量。组洗牌跨阶段部分颈部（Group Shuffle Cross Stage Partical-Neck, GSCSP-Neck）模块被引入颈部网络（Neck），通过分组卷积（Group Convolution）、通道洗牌（Channel Shuffle）和跨阶段部分连接（Cross Stage Partical, CSP）实现高效特征提取和模型轻量化。共享卷积（Shared Convolution）被应用于检测头（Head），在保持精度的同时减少参数量。在苹果花序测试集上的评估显示，LID模型达到了92.1%的平均精度（mean Average Precision, mAP）。它相比YOLOv7、YOLOv8n、YOLOv9、YOLOv10n、YOLOv11n和RT-DETR表现出更高的效率，仅需3.32?MB存储空间、4.9千兆浮点运算次数（Giga Floating Point Operations, GFLOPs）和1.56?M参数。在NVIDIA Jetson AGX Orin开发者套件上的检测速度为38.10帧每秒（Frames Per Seconds, FPS）。这些结果表明，LID能够对不同物候期的苹果花序进行准确快速的检测。本研究为实现高效准确的苹果疏花提供了参考。
**研究背景与问题**
苹果花期是苹果发育的关键阶段，直接影响当前及后续结果周期。苹果花序为聚伞圆锥花序，中心花通常先于侧花开放。为优化果实品质和可持续生产，需去除多余花朵，疏花是调节树体能量分配、促进健康果实发育的必要措施。化学疏花利用中心花与侧花开放时间差喷洒药剂，机械疏花依赖设备如树振器，但两者效果均受花序位置和开花状态影响。现有研究多基于传统机器视觉或卷积神经网络（Convolutional Neural Network, CNN）检测单个花朵，未能评估整个花序的物候期；或通过回归方法估计物候期，但未精确定位花序。自然场景中背景复杂、光照不均、遮挡严重，现有模型难以满足实际需求。此外，模型需轻量化以部署于边缘设备，但当前研究在准确快速检测不同物候期苹果花序方面仍存在空白。因此，研究人员提出一种基于轻量级花序检测网络（Light-Inflorescence-Detection, LID）的方法，旨在为果园大规模疏花提供技术支持。该论文发表在《Information Processing in Agriculture》。
**主要关键技术方法**
图像采集于西北农林科技大学园艺试验站（陕西杨凌）和苹果试验站（陕西白水，额外测试集），品种主要为‘富士’系，花色包括白、粉、红。2022年3月25日至4月5日采集2050张图像，另有2023年外部测试集（‘瑞祥红’和‘瑞雪’品种）。方法基于YOLOv10n基线，集成混合组块（Hybrid Group Block, HGBlock）到骨干网络（Backbone），通过并行卷积（Parallel Convolution）和通道挤压激励（Channel Squeeze-Excitation）实现轻量化；引入组洗牌跨阶段部分颈部（Group Shuffle Cross Stage Partical-Neck, GSCSP-Neck）模块，利用分组卷积（Group Convolution）、通道洗牌（Channel Shuffle）和跨阶段部分连接（Cross Stage Partical, CSP）进行高效特征提取；在检测头（Head）应用共享卷积（Shared Convolution）减少参数。训练采用双标签分配策略，损失函数包括边界框回归损失（CIoU）、分类损失（交叉熵）和分布焦点损失（Distribution Focal Loss, DFL）。超参数：学习率0.00125，权重衰减0.0005，动量0.9，AdamW优化器，300轮次，图像大小640×640。
**研究结果**
**3.1 检测性能分析**
通过可视化结果和量化指标评估LID模型在不同物候期、颜色和光照条件下的稳定性。在测试集上，LID对气球期、初花期、盛花期和花瓣脱落期的平均精度（mAP）分别为91.3%、90.7%、94.2%和92.3%，方差为1.76×10
-4；对白色、粉色和红色花序的mAP分别为91.1%、92.3%和92.0%，方差为2.60×10
-5；在明亮和暗淡光照下mAP为92.6%和92.0%，方差为9.00×10
-6，表明模型鲁棒性良好。在外部测试集B和C上mAP为92.5%和91.5%，方差1.69×10
-5，验证跨数据集稳定性。与YOLOv7、YOLOv8n、YOLOv9、YOLOv10n、YOLOv11n和RT-DETR相比，LID模型大小最小（3.32?MB）、GFLOPs最低（4.9）、参数量最少（1.56?M），mAP达92.1%，满足准确率要求。
**3.2 消融实验**
通过逐步移除HGBlock、GSCSP-Neck和轻量头（Light-Head）模块，评估各组件对基线模型（YOLOv10n）的影响。单独添加HGBlock或GSCSP-Neck均降低模型大小、GFLOPs和参数量，但mAP和FPS略有下降；单独添加Light-Head使mAP提升0.1%，但FPS下降4.5。组合添加HGBlock和Light-Head使模型大小和参数量减少最显著，但mAP下降3.1%；组合添加GSCSP-Neck和Light-Head使mAP提升0.2%。完整LID模型（HGBlock+GSCSP-Neck+Light-Head）相比基线，大小、GFLOPs和参数量分别减少39.6%、26.2%和31.3%，mAP为92.1%，FPS为76.8，满足实际需求。
**3.3 模型迁移效果评估**
将七种模型部署在NVIDIA Jetson AGX Orin开发者套件上，比较检测速度。YOLOv7、YOLOv9和RT-DETR的FPS较低（35.20、26.49、18.60），YOLOv8n最快（58.00 FPS），YOLOv10n和YOLOv11n分别为48.10和43.20 FPS。LID为38.10 FPS，虽略低于YOLOv8n、YOLOv10n和YOLOv11n，但模型大小、参数量和GFLOPs显著优于它们，且图像采集速度（0.027?s/帧）低于LID的推理速度，可实现实时检测。
**3.4 模型局限性**
部分异常花序（如仅分化出一朵花）或严重遮挡（如花朵相互遮挡）导致漏检或误检。例如，图13(a)中单个花朵的花序特征与任何物候期不匹配，图13(b)中因遮挡使花序特征类似单朵花。未来需收集更多异常样本并添加特殊标签，或从多角度拍摄以利用花梗特征。
**讨论与结论**
讨论部分指出当前模型在罕见形状和严重遮挡下的局限性，建议未来扩大数据集并整合花梗特征。结论部分翻译如下：本研究提出了一种名为LID的轻量级网络，用于检测不同物候期的苹果花序。利用HGBlock和GSCSP-Neck分别精简骨干网络和颈部网络，在检测头引入共享卷积策略以进一步降低模型参数量和大小。HGBlock通过并行卷积设计和通道挤压激励实现更紧凑的架构和更低计算需求；GSCSP-Neck通过分组卷积、通道洗牌和CSP连接最小化参数开销并促进高效特征编码；共享卷积替代原始多个独立卷积，显著减少冗余参数并提高计算效率。实验结果表明，该模型对不同物候期、颜色和光照条件下的苹果花序表现出稳健性能。与YOLOv7、YOLOv8n、YOLOv9、YOLOv10n、YOLOv11n和RT-DETR相比，LID模型模型大小、GFLOPs和参数量最小，在NVIDIA Jetson AGX Orin开发者套件上检测速度最高（38.10 FPS），mAP为92.1%。这些结果表明LID能够对苹果花序进行准确、实时检测。然而，部分形状异常或严重遮挡的花序仍可能被误检。未来研究应通过纳入更多异常形状的花序样本来扩大数据集，并将花梗特征作为花序检测的关键特征之一，以提高准确率。
