《AgriEngineering》：YieldNet: A Lightweight YOLOv8n Enhancement for Immature Green Tomato Detection in UAV Images: Real-Time Edge Demonstration Toward Pre-Harvest Yield Estimation
编辑推荐：
对温室番茄进行准确的早期监测对于减少采后损失至关重要，其中可靠检测未成熟绿色番茄是核心挑战。然而，这些果实体积小、严重遮挡且与叶片在色彩上高度相似，使得从低空无人机（UAV）图像中检测极为困难，同时机载边缘处理器受严格的功率和重量限制。为解决此问题，研究人员提
对温室番茄进行准确的早期监测对于减少采后损失至关重要，其中可靠检测未成熟绿色番茄是核心挑战。然而，这些果实体积小、严重遮挡且与叶片在色彩上高度相似，使得从低空无人机（UAV）图像中检测极为困难，同时机载边缘处理器受严格的功率和重量限制。为解决此问题，研究人员提出了YieldNet，一种轻量级框架，对原始YOLOv8n进行针对性增强：主干网络替换为ShuffleNetV2以减少计算量；在颈部（neck）的P3–P5层后嵌入高效通道注意力（ECA）模块进行通道重校准；并采用PIoU v2损失进行边界框回归。本研究聚焦于低空无人机图像中的未成熟绿色番茄，并在RK3588边缘设备上评估该检测器。模型在自采集的真实世界无人机数据集（包含600张低空绿色番茄图像）和公开的多成熟度基准数据集上进行了评估。与YOLOv8n基线相比，YieldNet在Tomato-Recog公开验证集上，mAP@50-95、召回率（Recall）和F1分数分别相对提升18.9%、6.1%和5.8%；在GreenTomato-UAV验证集上，召回率、F1分数和精确率（Precision）分别相对提升4.3%、4.0%和3.8%，同时参数量仅从3.0 M增至3.3 M，FLOPs从8.1 G降至8.0 G。在Orange Pi 5 Max上，代表性实时摄像头到显示器的读数为37.6 FPS，端到端延迟86毫秒。YieldNet为未来收获前产量估计研究提供了可计数的检测结果；无人机飞行部署、果实大小估计和收获重量验证未进行评估。
**论文解读：YieldNet：面向无人机图像中未成熟绿色番茄检测的轻量级YOLOv8n增强方法**
**研究背景与问题**
番茄是全球广泛种植的经济作物，但采后损失严重，尤其是含水量高的果实易腐烂。传统产量预测依赖人工频繁进入田间采样，耗时费力。无人机（UAV）技术与机器视觉的结合为自动化作物监测提供了途径，然而在低空无人机图像中检测未成熟绿色番茄面临三大难点：果实与叶片在颜色和纹理上高度相似，导致误检和漏检；遮挡、果实重叠及光照变化影响模型稳定性；无人机边缘处理器对模型大小和计算复杂度有严格限制。现有研究多聚焦于成熟或混合成熟度番茄检测，针对未成熟绿色番茄的检测评估仍十分有限，且结合低空无人机场景的工作更少。因此，研究人员提出一种轻量级检测框架YieldNet，旨在解决上述挑战，为收获前产量估计提供可靠计数输入。该论文发表在《AgriEngineering》。
**主要关键技术方法**
研究人员采用以下关键技术方法：（1）主干网络替换：将YOLOv8n的CSPDarknet主干替换为ShuffleNetV2，利用通道分割和混洗操作降低计算量并保持特征表达能力，同时修改下采样模块为对称双分支结构以保留多尺度信息。（2）颈部注意力增强：在颈部P3–P5层（特征图尺寸80×80、40×40、20×20）的每个C2f输出后插入固定核大小3的高效通道注意力（ECA）模块，通过一维卷积生成通道权重并重校准特征，抑制背景叶片响应。（3）损失函数改进：采用Powerful-IoU v2（PIoU v2）替代标准CIoU损失，引入基于预测框与目标框对应边绝对距离的惩罚因子和非单调注意力机制，增强对密集重叠目标的定位精度。数据集方面，自建GreenTomato-UAV数据集（F450四旋翼无人机于北京昌平区中国农机院试验站温室采集，飞行高度0.5–0.8米，共600张图像，含100张无目标负样本）和公开Tomato-Recog数据集（1986张图像，覆盖绿、转色、红番茄）按7:3划分训练/验证集，并对训练集采用增量式数据增强（运动模糊、仿射旋转、亮度对比度调整，三轮后数据集扩大约60%）。
**研究结果**
**3.1 改进前后模型对比**：在Tomato-Recog公开验证集（596张图像，2228个实例）上，YieldNet相比YOLOv8n基线，mAP@50-95相对提升18.92%（从0.666升至0.792），mAP@50相对提升4.75%，F1分数相对提升5.82%。在GreenTomato-UAV验证集（180张图像，590个实例）上，mAP@50-95、mAP@50和F1分数分别相对提升3.50%、3.51%和4.02%。参数量从3.0 M增至3.3 M，FLOPs从8.1 G降至8.0 G。定性比较显示，YieldNet能检测出更多可见的小目标和遮挡目标。
**3.2 消融实验**：在GreenTomato-UAV验证集上，分别添加ShuffleNetV2、ECA和PIoU v2模块进行消融。单独使用时，ShuffleNetV2使mAP@50提升2.8个百分点（至0.912），精确率提升3.2个百分点；ECA使mAP@50提升2.1个百分点（至0.905），精确率提升2.1个百分点；两者组合（ShuffleNetV2-ECA）进一步使mAP@50提升3.2%，mAP@50-95提升3.9%，召回率提升2.3%，F1分数提升3.0%。PIoU v2单独使用时召回率提升2.2个百分点（至0.842）。最终YieldNet（ShuffleNetV2-ECA + PIoU v2）在验证集上达到mAP@50=0.915（绝对提升3.1个百分点），mAP@50-95=0.473，精确率=0.905，F1=0.879，参数量3.30 M，FLOPs约8.0 G。热力图可视化显示，组合模块在目标区域产生更集中、更亮的激活响应。
**3.3 不同模型对比**：与YOLOv5n、YOLOv8n、YOLO11n、RT-DETR-n等纳米级模型以及YOLOv5s、YOLOv8s、YOLO11s等小尺度模型对比。在Tomato-Recog公开验证集上，YieldNet在所有指标上均优于所有纳米级模型，甚至超过所有小尺度模型（mAP@50=0.970，mAP@50-95=0.792，精确率=0.972，召回率=0.921，F1=0.946）。在GreenTomato-UAV验证集上，YieldNet在mAP@50（0.915）和F1（0.879）上取得最佳，在其他指标上排名第二，与YOLOv8s接近。其计算规模（3.3 M参数，8.0 G FLOPs）仍接近YOLOv8n。
**3.4 训练过程可视化**：mAP@50和mAP@50-95曲线显示，YieldNet在早期训练阶段即具有较高mAP值，且最终值高于大多数对比模型。训练损失曲线（边界框损失、分类损失、DFL损失）显示，YieldNet的损失分量下降最快，最终达到最低值，尤其在边界框损失上优势明显。
**3.5 边缘设备部署与性能**：在Orange Pi 5 Max（Rockchip RK3588 SoC）上部署YieldNet，通过RKNN模型离线推理180张GreenTomato-UAV验证图像（输入640×640，批大小1，3个NPU核心），YieldNet达到69.65 ms单次推理延迟和37.46 FPS吞吐量，介于YOLOv8n（更快）和YOLOv8s（更慢）之间。实时UVC相机流（Insta360 Ace Pro 2）显示，中心25%区域处理的代表性读数为37.6 FPS吞吐量和86 ms端到端延迟，为台架演示结果，非实际飞行测试。
**讨论与结论**
讨论部分指出，YieldNet在Tomato-Recog和GreenTomato-UAV验证集上相比YOLOv8n基线均有显著指标提升，且在所列检测器中性能领先或接近小尺度模型。与RT-DETR-n相比，YieldNet在精确率上优势明显且FLOPs仅为其约1/5。研究局限性包括：自建数据集仅来自同一温室，可能影响泛化能力；标注未包含遮挡等级标签，无法进行遮挡分层比较；实时演示为台架测试，未进行飞行中功耗和电源测量。未来工作将扩展数据集多样性，进行无人机飞行集成和功耗测试，以及与实际人工计数的田间验证。
**研究结论**：本研究提出轻量级检测器YieldNet，用于无人机采集的温室图像中未成熟番茄检测。YieldNet通过ShuffleNetV2主干、颈部ECA模块和PIoU v2损失对YOLOv8n进行改进。消融研究评估了这些组件及其最终组合的指标变化。在评估图像中，该模型能在视觉相似的叶片和枝条间检测绿色番茄。评估使用了自采集的温室绿色番茄无人机图像和公开Tomato-Recog基准。在本协议下，YieldNet报告了比YOLOv8n更高的验证指标：在Tomato-Recog公开验证集上，YieldNet比YOLOv8n具有更高的报告指标值，精确率相对提升5.5%（从0.921至0.972），F1分数相对提升5.8%（从0.894至0.946），最显著的是mAP@50-95相对大幅提升18.9%（从0.666至0.792）。在GreenTomato-UAV验证集上，YieldNet也比YOLOv8n具有更高的报告值，mAP@50相对提升3.5%（从0.884至0.915），mAP@50-95相对提升3.5%（从0.457至0.473），F1分数相对提升4.0%（从0.845至0.879）。这些结果支持YieldNet在评估数据集上用于绿色番茄检测。相对于YOLOv8n，YieldNet参数量从3.0 M增至3.3 M，FLOPs从8.1 G降至8.0 G。该结果提供了可计数的检测结果，作为未来收获前产量估计流程的输入；果实大小、时间跟踪、计数到重量转换以及收获重量验证未进行评估。
