基于改进YOLOv13n的面向复杂农林栽培场景下羊肚菌(Morel)轻量化检测方法

《Agriculture》：A Lightweight Morel Detection Method Based on Improved YOLOv13n for Complex Agroforestry Cultivation Scenes

　　

摘要：农林栽培场景下的羊肚菌(morel)检测仍具挑战性，因土壤背景伪装(soil-background camouflage)、光照变化(illumination variation)及密集簇生生长(dense clustered growth)会导致小目标漏检及背景区域误检(false positives)。本研究提出Morel-YOLO——一种基于YOLOv13n面向农业感知的轻量化羊肚菌检测方法。该模型保留原始多尺度特征融合(multi-scale feature-fusion)框架，并引入三项针对性改进：采用StarNet作为骨干网络(backbone)以减少冗余计算；在浅层P3分支中引入DSC3k2_DWRSeg模块以增强细粒度纹理(fine-grained texture)及小目标表征(small-target representation)；采用Detect_MBConv检测头(head)以降低预测分支开销同时保持检测精度。在测试集上，Morel-YOLO取得91.9%精确率(Precision)、86.6%召回率(Recall)、93.6% mAP50及70.8% mAP50–95，较YOLOv13n基线mAP50–95提升1.3个百分点。模型含1.48 M参数，模型大小3.31 MB，计算量6.2 GFLOPs。在Small-hard与Dense-hard子集上，mAP50–95分别达69.1%和66.8%，较基线分别提升1.5和1.3个百分点。在IoU=0.75下，两个困难子集上的误检与漏检均减少。结果表明Morel-YOLO在评估数据集上改善了检测精度、鲁棒性(robustness)与模型紧凑性(compactness)间的平衡；但其在实际嵌入式农业平台上的部署仍需专门的端侧验证(on-device validation)。

论文解读：基于改进YOLOv13n的复杂农林栽培场景下羊肚菌轻量化检测方法（Morel-YOLO）

一、研究背景与意义

在农林栽培场景中，羊肚菌(morel, Morchella spp.)的自动化检测是智能农业感知的关键环节。然而实际应用中面临三大困难：一是羊肚菌颜色与形态同土壤、枯叶及腐殖质高度相似，产生严重的土壤背景伪装(soil-background camouflage)效应；二是温室与林下光照不均、阴影及反射造成光照变化(illumination variation)；三是羊肚菌常呈密集簇生(dense clustered growth)且个体偏小，易被卷积神经网络下采样过程丢失细节，导致小目标漏检(missed small targets)及背景区域误检(false positives)。传统YOLO系列目标检测模型虽具备较高速度，但在上述复杂背景下精度不足，且参数量与计算量较难满足嵌入式农业设备部署需求。针对该问题，研究人员以最新YOLOv13n(nano版本)为基础进行轻量化与针对性结构改进，提出Morel-YOLO模型，旨在兼顾小目标检测能力、复杂背景抗干扰性及模型紧凑性，该研究发表于《Agriculture》。

二、主要关键技术方法

研究人员自建羊肚菌农林栽培场景图像数据集，经筛选标注后划分常规测试集及Small-hard（小尺寸困难样本）、Dense-hard（密集困难样本）子集。以YOLOv13n为基线，保留其多尺度特征融合(multi-scale feature fusion / FPN–PAN)框架，做三处改进：(1)将主干网络(backbone)替换为StarNet，利用其星形运算(star operation)去除特征冗余、降低计算量；(2)在浅层P₃分支嵌入DSC3k2_DWRSeg模块(Depth-Wise Separable Convolution + DWRSeg思想)，强化浅层细粒度纹理(fine-grained texture)与小目标特征表达；(3)检测头(head)改用Detect_MBConv(基于Mobile Inverted Bottleneck Conv)，压缩预测分支参数量与FLOPs同时维持感受野与精度。训练采用YOLOv13n标准损失函数与数据增强策略，评估指标包括精确率(Precision)、召回率(Recall)、mAP₅₀、mAP_50–95、参数量(Parameters)、模型大小(Model Size)及浮点运算量(GFLOPs)，并在IoU=0.75阈值下对比困难子集表现。

三、研究结果

(1) 整体检测性能

研究人员在测试集上对比Morel-YOLO与YOLOv13n基线，Morel-YOLO取得精确率91.9%、召回率86.6%、mAP₅₀=93.6%、mAP_50–95=70.8%，其中mAP_50–95较基线提升1.3个百分点，表明在复杂农林背景下综合检测能力提升。模型参数量仅1.48 M，模型文件大小3.31 MB，计算量为6.2 GFLOPs，说明改进未增加额外负担，反而通过StarNet与MBConv实现更优精度–复杂度平衡。

(2) 困难子集（Small-hard与Dense-hard）性能

在人为筛选的小目标困难子集Small-hard上，Morel-YOLO的mAP_50–95达69.1%，较基线提升1.5个百分点；在密集簇生困难子集Dense-hard上，mAP_50–95达66.8%，较基线提升1.3个百分点。结果说明DSC3k2_DWRSeg模块对浅层细纹理及小目标的增强表征有效缓解了小目标漏检，且在密集遮挡场景中误检降低。

(3) 高IoU阈值下的误检与漏检分析（IoU=0.75）

研究人员进一步在IoU阈值设为0.75的严格匹配条件下评估两个困难子集，Morel-YOLO相较基线在两个子集上均减少误检(false positives)与漏检(false negatives)，说明定位框质量与分类置信度分布得到改善，模型对羊肚菌与土壤背景的区分能力增强。

四、讨论与结论（翻译浓缩）

研究人员指出，Morel-YOLO通过在YOLOv13n框架中引入StarNet骨干以削减冗余计算、在浅层P₃分支加入DSC3k2_DWRSeg以强化小目标与细粒度纹理表征、采用Detect_MBConv检测头压缩预测分支开销，实现了在羊肚菌检测任务上精度、鲁棒性与模型紧凑性间更优的平衡，尤以便于后续在资源受限设备上移植。但研究亦明确，该方法在真实嵌入式农业平台（如边缘计算节点或田间机器人搭载的嵌入式GPU/TPU/NPU）上的实时推理速度、功耗及环境适应性仍有待专门端侧验证(on-device validation)。总体而言，Morel-YOLO为复杂农林背景下食用菌及其他相似农作物的轻量化视觉检测提供了可行的改进范式。