通过 Citrus-SGYOLOv2 实现的高通量柑橘检测：一种基于对称鬼影技术和高分辨率特征融合的架构 李金锋（Jinfeng Li） 苗玉田（Yutian Miao） 郭文轩（Wenxuan Guo） 李玉祥（Yuxiang Li） 徐谦（Qian Xu） 向月（Yue Xiang） 陈雅瑜（Yanyu Chen） 王贤尧（Xianyao Wang） 梁云森（Yunsen Liang） 李军（Jun Li）

《Agronomy》：High-Throughput Citrus Detection via Citrus-SGYOLOv2: A Symmetric Ghost-Based Architecture with High-Resolution Feature Fusion Jinfeng Li, Yutian Miao, Wenxuan Guo, Yuxiang Li, Qian Xu, Yue Xiang, Yanyu Chen, Xianyao Wang, Yunsen Liang and Jun Li

　　

摘要

准确的高通量水果检测是精准柑橘管理的关键前提。现有模型在小水果检测的准确性和计算效率之间存在重要权衡，这限制了大规模产业变革的推进。为了解决这一问题，我们提出了Citrus-SGYOLOv2，这是一种专为高通量表型监测而设计的优化深度学习架构。该工作的主要贡献体现在三个协同创新的方面：一种新颖的对称骨架结构（Symmetric Ghost Backbone），它在保持层次化特征深度的同时减少了架构冗余；一种柑橘颜色先验校准注意力机制（Citrus_SE），该机制利用生理色彩先验来抑制叶片上的复杂光谱噪声；以及一种基于P2层的融合策略，用于恢复在降采样过程中丢失的精细空间细节。在我们自建的数据集上进行实验表明，Citrus-SGYOLOv2的mAP@50值达到了95.54%，mAP@50–95值达到了77.13%，分别比YOLOv11高出5.03%和9.90%。值得注意的是，该模型的参数数量减少了48.8%（降至4.84百万个参数），同时保持了139.00帧/秒的高通量推理速度。这项研究为智能产量估算和精准果园管理提供了坚实且高效的基础框架。