《Foods》：Optimized Feature Extraction and Multi-Scale Fusion for Lightweight RTDETR in Real-Time Morphological Quality Detection of Oyster Mushroom (Pleurotus ostreatus) Toward Edge Deployment
编辑推荐：
为了解决工厂化生产中平菇（Pleurotus ostreatus）人工质量分级效率低下，以及现有计算机视觉模型在食品加工中难以平衡高定位精度与实时边缘部署的问题，研究人员提出了一种名为POC-DETR-Prune的轻量级非破坏性检测模型。基于改进的RTDETR
为了解决工厂化生产中平菇（Pleurotus ostreatus）人工质量分级效率低下，以及现有计算机视觉模型在食品加工中难以平衡高定位精度与实时边缘部署的问题，研究人员提出了一种名为POC-DETR-Prune的轻量级非破坏性检测模型。基于改进的RTDETR框架，引入FasterNet以优化特征提取，在确保复杂食品形态的深度特征表示的同时，减少内存访问延迟。设计了一个小目标增强金字塔（Small Object Enhancement Pyramid，SOEP）模块，以减轻密集蘑菇聚类导致的细微特征损失。此外，提出了Inner-MPDIoU损失函数，以显著提高高度重叠食品分拣场景中的边界框定位精度。为适应工业硬件限制，采用随机通道剪枝策略压缩计算开销。实验结果表明，POC-DETR-Prune实现了83.7%的mAP@0.5:0.95，计算负载仅为38.2 GFLOPs。在NVIDIA Jetson Orin Nano Super边缘计算平台上的部署测试实现了30.2 FPS的实时检测速率。这项新兴技术为食用菌行业的自动质量分级设备提供了一定水平的视觉算法支持。
本研究针对食品工业中自动化、非破坏性质量评价的迫切需求，以平菇（Pleurotus ostreatus）为研究对象，解决了工厂化生产中人工质量分级效率低下、主观性强，以及现有计算机视觉模型难以在高定位精度与实时边缘部署之间取得平衡的问题。现有研究多集中于单个菇体的检测或特定损伤识别，缺乏对整簇菇体形态质量（作为完整生产收获单元）的综合分级。为此，研究人员基于改进的RTDETR框架，构建了POC-DETR-Prune模型，旨在实现高精度、实时的形态质量分级。研究结论表明，该模型在复杂操作环境下表现出稳健且具有竞争力的性能，论文发表在《Foods》期刊。
研究人员为开展研究，主要采用了以下关键技术方法：样本队列来源为6个独立栽培批次，共1911张图像，使用高分辨率智能手机（iPhone 13和Xiaomi 14）在自然栽培条件下采集，按中国国家标准手工标注为四个质量等级，经数据增强后共5040张图像。技术方法包括：①引入FasterNet作为骨干特征提取网络，采用部分卷积（PConv）优化内存访问效率；②设计小目标增强金字塔（SOEP）模块，利用SPDConv无损传递P2层高分辨率特征，结合OmniKernel多分支注意力机制（全局、大核、局部分支）；③提出Inner-MPDIoU损失函数，融合尺度自适应辅助边界框策略与最小点距离优化方法；④实施基于“彩票假设”的随机通道剪枝策略，压缩计算开销。
研究结果如下：
3.1 Experimental Environment：描述了训练环境（含GPU和CPU规格）与测试环境（NVIDIA Jetson Orin Nano边缘计算平台，TensorRT优化，FP16精度）。
3.2 Evaluation Metrics：定义了评价指标，包括精确率（Precision）、召回率（Recall）、平均精度均值（mAP@0.5和mAP@0.5:0.95）、参数量（Params）和GFLOPs。
3.3 Comparison of Different Loss Functions：通过比较Focaler-IoU、MPDIoU、Focaler-MPDIoU、Inner-IoU和Inner-MPDIoU五种损失函数，发现Inner-MPDIoU在召回率（93.1%）和精确率（91.4%）上综合最优，故选定为最佳损失函数。原因是其利用点距离约束和辅助边界框机制，克服了梯度消失问题。
3.4 Pruning Experiments：采用随机通道剪枝方法，与其他剪枝方法（L1、DepGraph）对比，结果表明随机剪枝在维持mAP的同时，将计算负载降至38.2 GFLOPs，且精确率和召回率在极端剪枝下仍保持最高，证明了其在资源受限环境下的有效性。
3.5 Ablation Experiments：通过逐步移除FasterNet、SOEP、Inner-MPDIoU和剪枝模块进行消融实验，发现单一使用FasterNet性能不足，引入SOEP后mAP@0.5:0.95提升0.8%，再结合Inner-MPDIoU进一步提高定位精度；移除任何模块均导致性能下降，证明了各模块协同优化的必要性。
3.6 Comparative Experiments：与YOLOv5m、YOLOv8m、YOLO11m、YOLO12m及原始RTDETR系列（RTDETR-l、RTDETR-R34、RTDETR-R50）进行横向对比，POC-DETR-Prune在mAP@0.5（95.5%）和mAP@0.5:0.95（83.7%）上均领先，召回率达96.7%，参数量仅13.27M，计算负载38.2 GFLOPs，验证了其精度-效率平衡优势。
3.7 Detailed Class-Wise Performance and Confusion Matrix Analysis：详细类别性能分析表明，四类（特级、一级、二级、未成熟）的AP@50:95分别为82.9%、83.1%、84.6%、84.3%，混淆矩阵显示分类准确性（对角线值94.6%、92.3%、95.1%、93.7%），误判集中于相邻等级，符合生物学连续渐变特性。
3.8 Generalization Validation：通过k折交叉验证（各折mAP稳定）以及外部测试集（背景、光照、焦距完全不同于训练集）的检测，证明模型具有较强的泛化能力和实际环境适应性；模拟不同色调（暖、淡、亮、暗）图像，所有检测置信度均高于阈值0.25。
3.9 Edge Device Deployment and Performance Comparison：在NVIDIA Jetson Orin Nano上部署测试，使用TensorRT优化（FP16，Batch Size=8，分辨率640×640），模型纯推理速度达46.94 FPS（延迟21.8 ms），内存占用3.24 GB；实际连续视频流中稳定维持约30 FPS，满足商业实时分级要求。
讨论部分总结：首先分析核心模块的影响——FasterNet通过PConv优化内存访问，为Transformer解码提供清晰特征；SOEP模块通过保留高分辨率细节提升小目标检测能力，消融证实其不可替代性；Inner-MPDIoU在多重叠场景下优于其他IoU变体。其次与现有研究对比，本模型针对整簇平菇的国家标准分级，在密度高、重叠严重场景下mAP@0.5:0.95达83.7%，优于聚焦单片菇体的OMC-YOLO等模型；通过FasterNet与随机剪枝将计算负载从129.6 GFLOPs压缩至38.2 GFLOPs，适合嵌入式设备。最后讨论泛化能力与应用前景，k折交叉验证和外部测试集数据表明模型对多种环境条件不敏感，低计算需求使其可无缝部署于资源受限的边缘平台。
研究结论翻译如下：本研究通过提出POC-DETR-Prune模型，解决了食品工业中自动化、非破坏性质量评价的关键需求，用于平菇分级。通过整合FasterNet特征提取网络、SOEP模块和Inner-MPDIoU损失函数，该模型克服了精确描绘簇生且高度重叠食品基质的挑战。所提出的方法实现了83.7%的高精度（mAP@0.5:0.95）和96.7%的召回率，优于YOLO12m等主流模型。对于工业应用至关重要的是，随机通道剪枝策略将计算负载降至38.2 GFLOPs。部署在NVIDIA Jetson Orin Nano Super边缘计算平台上，系统实现了30.2 FPS的实时处理速度。这项新兴技术成功地在高精度形态分级与现代工厂轻量级硬件需求之间取得了平衡，为食用菌加工领域先进、实时的自动分拣设备铺平了道路。
