WA-YOLO：一种用于实时检测和评估水果品质的轻量级深度学习网络模型

《Journal of Food Measurement and Characterization》：WA-YOLO: a lightweight deep learning network model for real-time measurement and characterization of fruit quality

　　

摘要

在食品行业中，对水果进行准确且实时的质量评估对于自动化分级和采后质量控制至关重要。然而，基于深度学习模型的实际应用仍面临挑战，因为表面缺陷通常较小、分布局限，且外观上与天然水果纹理相似，而工业应用则要求既要有高检测精度，又要低成本。为解决这些问题，本研究提出了加权先验与不对称下采样的一次性查看（WA-YOLO）模型，该模型源自YOLOv11n，用于基于视觉的水果质量评估。首先，它引入了空间衰减先验加权卷积（wConv2d），通过固定的空间先验重新调整卷积核的权重，从而提高对局部质量缺陷特征的敏感度，且无需增加可学习参数。基于这一操作符，设计了具有空间衰减先验的跨阶段部分块（C3-SDP），以在轻量级架构中提升特征表达能力。此外，还采用了不对称下采样（ADown）模块来减少特征提取过程中的信息损失，并运用层自适应幅度剪枝（LAMP）对结构化通道进行剪枝，以提高计算效率。实验是在一个自建的水果质量数据集上进行的，该数据集包含1,685张图像以及2,828个标注样本，涵盖了14个类别，其中包括7种水果的优质品和缺陷品。这些数据被分为1,344张训练图像和341张验证图像，模型性能通过精确度、召回率、mAP50、mAP95、参数数量、浮点运算次数（FLOPs）、模型权重大小以及推理速度等指标进行评估。实验结果表明，WA-YOLO在优质水果和缺陷水果类别上的mAP50值分别为0.965和0.915，整体mAP95值为0.865，同时仅需要220万个参数、3.6亿次FLOPs运算，模型权重为4.30MB。此外，在实验平台上，该模型的推理速度可达每秒166.5帧。与YOLOv11n相比，WA-YOLO在降低计算复杂度的同时保持了出色的检测性能，从而提升了精度与效率之间的平衡。这些结果表明，WA-YOLO为自动化分级场景中的水果质量实时评估提供了一种轻量级的解决方案，有助于提升食品行业的质量检测与分析水平。

图形摘要