《Engineering Applications of Artificial Intelligence》：Near-point-of-care identification of mango fruit species via a cloud platform bridging smartphone and deep learning
编辑推荐：
芒果物种识别的轻量级深度学习模型研究及云平台部署应用
陈家生|李宏伟|赖新东|陈继清|黄俊端|金珍珍|何德强
广西大学机械工程学院，中国南宁大学东路100号，530004
摘要
目前，芒果追踪主要依赖于物理标签和主观视觉检查，但这些方法容易受到损坏且结果存在不一致性。为了解决这一问题，本研究开发了一种基于云技术的系统，用于准确识别树上的芒果品种。该系统采用了一种改进版的ShuffleNet架构，并整合了ECA（高效通道注意力）和GC（全局上下文）模块，从而在保持高效的同时提升了特征区分能力。改进后的模型对Aomang、Guiqi、Jihuang和Tainong四种芒果的识别精度分别达到了99.48%、96.55%、100.00%和97.56%。整体识别精度为98.375%，模型参数量为153万（1.53 M），浮点运算次数（FLOPs）为2.3 GMac（十亿次乘累加运算）。其识别精度比DenseNet169和ResNet34分别高出2.375%和5.375%。该模型还被开发成了一个Android应用程序，处理100个测试样本的平均时间不到1550毫秒，提供了一种近乎即时、无损且无需标签的品种识别方案。这一应用有助于用户优化采摘计划并改进种质资源管理，为精准农业中的移动设备和云平台部署提供了实用方案。
章节摘录
引言
据预测，芒果市场将从2023年的636.5亿美元增长到2024年的679.5亿美元（Chaudhary等人，2024年）。作为世界上最重要的热带和亚热带水果之一，芒果深受消费者喜爱。随着农业信息技术的发展，识别不同品种的芒果在无标签记录种质资源方面发挥着关键作用。然而，目前芒果种质资源的识别和记录主要依赖
材料与方法
为确保方法论的透明度和可重复性，本节提供了所提出模型的详细算法流程和数学表述。本研究采用了一种综合方法，包括图像采集、数据集处理、模型改进和基于云的部署，整体研究流程如图1所示。如图1所示，所提出的流程是一个端到端的工作流程，整合了图像采集等环节
YOLOv8在遮挡和重叠条件下的检测性能
为了确保在近乎即时条件下检测阶段的可靠性，我们构建了一个包含多种视觉场景的芒果图像数据集，并用它来训练YOLOv8模型。该模型完全从零开始训练，没有使用任何预训练的权重，从而确保其检测能力完全来源于收集到的芒果图像。我们采用了多种数据增强策略，包括随机旋转、缩放、裁剪和亮度变化等
讨论
在本研究中，我们开发了一种改进版的ShuffleNet模型用于芒果品种识别，并将其部署在基于云平台的系统中。结果表明，改进后的模型在识别四种芒果品种时具有较高的准确性（98.375%），同时计算复杂度较低（153万参数和2.3 GMac FLOPs）。然而，仍存在一些局限性和未来研究的方向。首先，当前研究仅针对四种芒果品种，这限制了模型的泛化能力
结论
本研究提出了一种改进版的ShuffleNet模型，用于芒果品种识别，该模型整合了高效通道注意力（ECA）和全局上下文（GC）模块。该模型的分类精度达到了98.375%，内存消耗低且计算开销小，优于同类轻量级网络。这些结果表明，所提出的方法在准确性和效率之间取得了良好的平衡，适用于移动设备和云平台的部署
CRediT作者贡献声明
陈家生：撰写初稿、可视化处理、验证、软件开发、方法论设计、数据分析。李宏伟：审稿与编辑、撰写初稿、项目监督、方法论指导、资金筹集、数据分析、概念构建。赖新东：撰写初稿。陈继清：项目管理工作。黄俊端：数据分析。金珍珍：方法论设计。何德强：审稿与编辑。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究得到了国家自然科学基金（项目编号：32501773）和广西自然科学基金（项目编号：2025GXNSFBA069589）的支持。
