《Frontiers in Plant Science》：YOLO12-SDS: an enhanced lightweight model for accurate and real-time fig maturity detection
编辑推荐：
无花果中异戊烯基酚类等活性成分含量及果实品质受成熟度显著调控。精准的成熟度分级对提升无花果产业质量与效率至关重要。针对现有检测方法环境适应性差、模型冗余度高，难以兼顾高精度、轻量化和实时检测的问题，研究人员以YOLO12n为基线模型，提出轻量化检测模型YOLO
无花果中异戊烯基酚类等活性成分含量及果实品质受成熟度显著调控。精准的成熟度分级对提升无花果产业质量与效率至关重要。针对现有检测方法环境适应性差、模型冗余度高，难以兼顾高精度、轻量化和实时检测的问题，研究人员以YOLO12n为基线模型，提出轻量化检测模型YOLO12-SDS用于无花果成熟度分级。结构上集成三个定制模块：SPDSPPF模块采用空间重排与多尺度池化融合强化小目标细节保留与高层特征提取；DySample模块采用基于PL模式的可学习上采样策略更优恢复果实轮廓、颜色与纹理信息；SCSA模块借助空间-通道协同注意力机制突出关键成熟度特征并抑制复杂背景干扰。在无花果数据集上的实验表明，相较于原始YOLO12n，YOLO12-SDS的精确率(Precision)、召回率(Recall)、mAP@50与mAP@50:95分别提升2.1、6.6、4.8和1.0个百分点；模型参数量2.74 M、计算量6.0 GFLOPs、推理速度115.6 FPS，并在CUBE NANO平台完成嵌入式部署测试。该研究为设施温室无花果成熟度分级提供了高精度、强实时性与良好部署适应性的技术方案，具备实用价值与推广前景。
研究背景方面，无花果富含黄酮、香豆素、萜类等生物活性次生代谢物，其异戊烯基酚类成分赋予独特功能特性，而这类活性成分合成、含量及抗氧化活性、理化与风味品质均受成熟度显著调制，因此精准判定采收期与构建高效成熟度判别系统是降低采后损耗、提升商品价值的核心途径。已有无花果研究多集中于植物生理响应与采后品质调控，基于深度学习的智能成熟度识别相对薄弱；果蔬领域虽在油茶果、番茄、桃、蓝莓等作物上取得进展，但温室无花果面临果实尺度差异大、枝叶遮挡、密集重叠、光照不均等挑战，且Transformer与视觉基础模型参数量大、边缘部署成本高。为此，研究人员以YOLO12n为基线，提出YOLO12-SDS模型，在《Frontiers in Plant Science》报道该研究。
关键技术方法上，研究人员以山西晋中榆次大地无花果采摘园塑料拱棚内种植的波姬红无花果为对象，自坐果后约22天起每3天采集一次、共获3402张原始图像，按30 cm/45 cm/60 cm距离与30°–45°斜角在多光照条件下拍摄，将成熟度分为未熟(a)、转色(b)、成熟(c)三类，LabelImg标注YOLO格式，14201个目标按8:1:1划分训练/验证/测试集；基线YOLO12n采用A2C2f架构，改进模型在骨干末端嵌入SPDSPPF（基于SPD-Conv的空间重排与多尺度池化融合）、在Neck两段上采样处替换PL模式DySample（可学习上采样）、在P3小目标分支前端嵌入SCSA（空间-通道协同注意力）；训练环境为RTX 4080、PyTorch 2.2.0、SGD优化、batch 12、250 epoch、Mosaic与HSV增广，采用五折交叉验证。
研究结果部分，3.1整体实验显示YOLO12-SDS在全体类别上Precision 0.817、Recall 0.807、mAP@50 0.879、mAP@50:95 0.715，参量2.74 M、6.0 GFLOPs、115.6 FPS；成熟果(c)因形态完整、特征可辨性高指标最优，转色果(b)因边界模糊最低，未熟果(a)虽多属小目标但Recall达0.826，表明模型对弱特征小目标感知良好。3.2消融实验表明单嵌SCSA对Recall与平均精度提升最显著，单嵌DySample优化细粒度多尺度适应，单嵌SPDSPPF基本稳定；双模组合中DySample+SCSA综合增益最强，三模协同嵌入取得最优mAP@50 0.879与mAP@50:95 0.715，参量仅微增。3.3鲁棒性验证通过五折交叉验证结合三种随机种子，YOLO12-SDS在Precision波动小于对比模型，mAP@50与mAP@50:95标准差均控于1%内。3.4对比实验中，YOLO12-SDS在Precision/Recall/mAP@50/mAP@50:95上均优于YOLOv8n、YOLOv9t、YOLOv10n、YOLO11n、YOLO12n及YOLO11-SCC、YOLO11-WBO，RT-DETR虽精度可接受但32 M参量、103.9 GFLOPs、64.2 FPS难部署边缘；3.4.2注意力层级实验显示仅嵌P3浅层高分辨率特征层效果最佳，P4/P5单层或多层叠加均致指标下降，证实浅层细节增强最利于遮挡与小目标。
讨论部分，4.1轻量化部署在NVIDIA Jetson Orin Nano SUPER 8 GB上实测单帧延迟9.4 ms，满足田间实时视频流采样。4.2可视化显示改进模型在复杂背景下漏检与误检少于基线，对部分暴露果梗的未熟果、叶遮顶端果识别更准。4.3误差量化中归一化混淆矩阵表明a类识别最高、b类最低，背景误判为a占52%、为b占33%，23%真实b被漏判为背景；典型失败源于转色期皮色渐变与枝叶背景相似。4.4跨场景以温室盆栽蓝莓数据集验证，YOLO12-SDS的Precision/Recall/mAP@50/mAP@50:95达0.844/0.865/0.908/0.784，较YOLO12n分别升2.7/1.6/2.3/1.7个百分点，证明作物与设施替换下仍具竞争力。4.5局限为转色果在遮挡与不均光照下易错漏、数据集缺极端天气、边缘帧率较桌面下降；未来将扩充硬样本、压缩计算开销、联动计数与采摘。
结论部分翻译：针对保护地温室无花果成熟度检测中目标尺度剧变、遮挡重叠、背景复杂与边缘算力受限等突出挑战，本研究基于YOLO12n构建轻量化检测模型YOLO12-SDS。采用SPDSPPF模块提升微小目标与高层语义特征提取性能，可学习DySample上采样优化果面纹理细节重建，并将SCSA注意力嵌入P3检测分支以抑制背景噪声、强化成熟度相关特征表示。实验表明该模型较原始YOLO12n精度显著提升，Precision、Recall、mAP@50、mAP@50:95分别达81.7%、80.7%、87.9%、71.5%；消融实验验证各改进模块协同增益，SCSA嵌于浅层P3特征层最优；相较多种主流轻量模型综合检测性能更优，参量2.74 M、计算6.0 GFLOPs、桌面115.6 FPS，在精度、轻量、实时间有效权衡；于Jetson Orin Nano SUPER 8 GB嵌入式平台实测单帧延迟9.4 ms，稳态满足田间实时检测，为保护地无花果智能成熟度检测提供可靠技术支撑。
