《Frontiers in Plant Science》:Enhancing precision harvesting in smart orchards: a light-weight neural network for apple maturity detection
编辑推荐:
摘要
引言: 基于深度学习的苹果成熟度检测可支持智慧农业中的精准管理。然而,在资源受限的边缘设备部署需要最小化网络权重并确保精度,而果园环境中的恶劣天气和密集果实簇进一步加剧了这一挑战。方法: 为解决这些挑战,研究人员提出了HRLN-YOLO,这是一种轻量级高
摘要
引言: 基于深度学习的苹果成熟度检测可支持智慧农业中的精准管理。然而,在资源受限的边缘设备部署需要最小化网络权重并确保精度,而果园环境中的恶劣天气和密集果实簇进一步加剧了这一挑战。方法: 为解决这些挑战,研究人员提出了HRLN-YOLO,这是一种轻量级高效苹果成熟度检测模型,旨在最小化网络权重的同时确保精度。具体而言,设计了一种轻量级主干网络HGBackbone以增强特征提取并加速推理,构建了增强型颈部模块RCF_Neck以改善遮挡下的多尺度特征融合,开发了轻量级检测头LADH-Head以最小计算成本缓解任务冲突,并引入NWD-Loss以提高小尺度目标的定位稳定性。结果: 在Orchard Apple Maturity Dataset上的实验表明,相较于YOLO11n基线,HRLN-YOLO将mAP@0.5提高了1.7%,同时减少了37.3%的参数和34.9%的计算复杂度。讨论: 本研究的核心贡献在于最小化网络权重同时确保检测精度,为智慧果园自动化采摘的边缘部署提供了实用解决方案。
论文解读:面向边缘部署的轻量级苹果成熟度检测模型HRLN-YOLO研究
研究背景与意义
苹果作为全球广泛种植的高营养水果,其采摘过程的精准性直接影响经济效益与可持续发展潜力。传统人工采摘依赖感官经验判断成熟度,存在主观性强、效率低、标准化程度差等问题,难以满足大规模果园的生产需求。误判采摘时机不仅会导致果实品质下降和资源浪费,还会损害经济利益并制约农业发展。随着智慧农业技术的推进,推动果园采摘机械化与自动化已成为实现智慧农业的核心路径。然而,真实果园环境中普遍存在的叶片遮挡、果实密集重叠及复杂天气条件严重干扰成熟度检测与目标识别的准确性,且果实间存在成熟度差异,这成为自动化采摘技术落地的重大挑战。此外,现有的深度学习算法改进多侧重于提升检测精度,往往忽视了模型复杂度,导致模型难以在机械臂等资源受限的边缘设备上部署。因此,开发一种兼具高精度与轻量化的苹果成熟度检测方法,对现代果园的数字化管理与自动化作业具有重要意义。该研究成果发表于《Frontiers in Plant Science》。
关键技术方法概述
研究人员选用最新的Orchard Apple Maturity Dataset作为实验数据,该数据集包含2039张真实环境下的图像,涵盖四个成熟阶段。在数据预处理阶段,结合了Ultralytics框架内置的数据增强策略(如HSV颜色空间扰动、随机平移、缩放、Mosaic增强)与基于Albumentations库的在线非几何变换(亮度对比度扰动、JPEG压缩等)。模型构建以YOLO11n为基线,依次引入了四个核心改进:HGBackbone主干网络、RCF_Neck颈部结构、LADH-Head检测头和NWD-Loss损失函数。评估指标涵盖mAP@0.5、mAP@0.5:0.95、精确率、召回率、F1分数、参数量(Params)、浮点运算次数(GFLOPs)及推理速度(FPS)。
研究结果
1. 数据集与数据增强
研究使用了Tom于2025年7月10日在FigShare网站发布的Orchard Apple Maturity Dataset,包含1618张训练图像和421张验证图像。数据集根据生长阶段将苹果分为晚期生长(Late-growth)、成熟(Ripe)、预生长(Pre-growth)和幼果(Young)四类。通过结合框架内置增强与自定义在线增强,有效提升了模型在复杂光照和视角下的泛化性能。
2. 模型选择与基线性能
研究人员对比了YOLOv8n、YOLO11n、YOLO12n和YOLO13n等轻量级模型。结果显示YOLO11n在参数量和精度间取得了良好平衡(mAP@0.5达93.2%),故被选为基线模型。
3. HRLN-YOLO模型改进
为在降低模型复杂度的同时保持检测精度,研究人员开发了HRLN-YOLO模型。
2.4.1 HGBackbone: 设计了基于HGNetV2架构的轻量级主干网络HGBackbone。它通过HGStem快速提取浅层边缘纹理信息,并利用多阶段堆叠的HGBlock和深度可分离卷积(DWConv)降低高分辨率阶段的计算冗余,在保持特征表达能力的同时显著减少参数量。
2.4.2 RCF_Neck: 构建了新型颈部结构RCF_Neck及C3K2D模块。该模块基于逆问题建模引入Converse2D机制,通过频域闭式更新和显式混叠建模,解决了传统FPN+PAN在多尺度融合中对低频细节的削弱问题,增强了遮挡和密集场景下的细节重建能力。
2.4.3 LADH检测头: 采用轻量级非对称解耦检测头(LADH-Head),将分类(Cls)、交并比(IoU)和回归(Reg)任务分为三个并行分支。通过在IoU分支使用DWConv替代标准卷积,缓解了分类与回归的任务冲突,在降低计算开销的同时提升了定位质量。
2.4.4 NWD-Loss函数: 采用归一化Wasserstein距离(NWD)替代传统的CIoU Loss。通过将边界框建模为高斯分布,利用Wasserstein距离平滑梯度变化,解决了小目标和密集遮挡场景下因像素级偏移导致的IoU剧烈波动问题,提升了边界回归的稳定性。
4. 消融实验结果
消融实验在统一设置下进行。结果表明:单独引入HGBackbone使mAP@0.5微降至93.1%,但GFLOPs降至5.7 G,参数降至2,143,912,贡献了最大的轻量化收益。在此基础上加入RCF_Neck后,mAP@0.5提升至94.0%,参数进一步降至1,918,776。引入LADH-Head后,mAP@0.5和mAP@0.5:0.95分别达到94.2%和70.1%,参数量降至最低点1,617,976。最终引入NWD-Loss的完整模型(HRLN-YOLO)实现了94.9%的mAP@0.5和70.0%的mAP@0.5:0.95,相较基线mAP@0.5提升了1.7%。相对于仅配备LADH-Head的变体,最终模型的GFLOPs和参数量分别下降了21.2%和29.1%。有效感受野(ERP)热图可视化进一步证实,改进后的模型相比基线具有更广的上下文建模能力。
结论与讨论
研究结论指出,HRLN-YOLO通过HGBackbone、RCF_Neck、LADH-Head和NWD-Loss的协同优化,成功在边缘设备友好的轻量化约束下实现了高精度检测。该模型不仅在Orchard Apple Maturity Dataset上验证了有效性,其核心贡献在于解决了资源受限环境下模型部署的难题,为智慧果园自动化采摘系统提供了实用的技术支撑。通过大幅削减参数量和计算复杂度(分别减少37.3%和34.9%),同时保持甚至提升了检测精度,该研究为农业场景中深度学习模型的工程化落地提供了新的思路。