一种用于精准检测大豆荚的轻量级模型：YOLO-MobilePod

《BMC Plant Biology》：A Lightweight model for accurate soybean pod detection: YOLO-MobilePod

　　

摘要

背景

大豆荚是评估大豆产量和品质的重要指标。在自然环境中，大豆荚的形态存在较大差异，且多为小型物体，通常分布密集且容易相互遮挡。现有的物体检测算法在识别小型及重叠目标时仍存在诸多局限。

结果

为解决这些问题，本研究提出了一种轻量高效的大豆荚检测模型——YOLO-MobilePod，该模型基于YOLOv12开发。它采用MobileNetV4作为核心网络，在降低计算复杂度的同时提升多尺度特征提取能力。为进一步改善对小型大豆荚的检测性能，YOLO-MobilePod在颈部网络中引入了高分辨率特征融合策略，从而强化对小型物体特征的表征。此外，还在检测头的回归分支中加入了动态卷积技术，通过自适应的卷积核组合提升特征建模能力，同时实现模型的进一步轻量化。本研究将公共数据集与自行收集的数据集结合，进行了消融实验和对比实验。实验结果表明，与YOLOv12n模型相比，YOLO-MobilePod的召回率提升了2.07%，mAP50-95值提升了4.10%，同时参数数量、FLOPs值以及模型大小分别减少了45.31%、4.762%和38.18%。此外，模型的推理速度还提高了8.768%。

结论

这些结果表明，所提出的模型对形态各异的大豆荚具有良好的识别能力，能够在保持模型轻量化的同时提升检测精度，为高效检测大豆荚提供了可行的技术参考。