《Agronomy》：Planting Geometry Influences Forage Yield, Nutritive Value, and Water Use Efficiency in Summer Cereal-Cowpea Intercropping Systems
编辑推荐：
在复杂的果园环境中，李子成熟度检测面临目标尺度变化大、成熟阶段之间外观差异细微、叶片严重遮挡以及光照剧烈变化等挑战。为应对这些挑战，研究人员构建了李子成熟度检测（Plum Ripeness Detection, PRD）数据集，并提出了一种基于YOLO11n的
在复杂的果园环境中，李子成熟度检测面临目标尺度变化大、成熟阶段之间外观差异细微、叶片严重遮挡以及光照剧烈变化等挑战。为应对这些挑战，研究人员构建了李子成熟度检测（Plum Ripeness Detection, PRD）数据集，并提出了一种基于YOLO11n的轻量级纹理–颜色残差尺度感知网络（Texture–Color Residual Scale-Aware Network, TRSNet）。TRSNet集成了纹理–颜色特征融合与空间特征增强模块、轻量级检测头以及改进的边界框回归策略，从而在保持较低计算成本的同时提高了检测精度。在PRD数据集上的实验结果为：精确率（Precision）92.5%，召回率（Recall）84.3%，mAP50 92.3%，mAP50:95 81.3%，参数量2.18 M，浮点运算量4.8 G FLOPs，超越了YOLO11n、RT-DETR、YOLO26n及其他基线模型。跨果园和跨品种评估表明其对环境变化和品种迁移具有鲁棒性，在蓝莓数据集上的额外测试进一步确认了其跨水果类型的泛化潜力。在Jetson Orin Nano嵌入式平台上的部署显示了稳定的实时推理能力，可支持智慧果园中的高效产量估算和生长监测。
该论文发表于《Agronomy》，针对果园环境中李子成熟度检测所面临的目标尺度变化大、成熟阶段视觉特征相似、叶片遮挡严重以及光照变化剧烈等问题展开研究。传统方法依赖人工设计特征，难以在复杂环境下提取深层语义信息；现有深度学习检测器虽取得进展，但存在细粒度特征提取不足、参数量过大等问题，难以兼顾精度与边缘部署需求。为此，研究人员构建了李子成熟度检测数据集（PRD），并基于YOLO11n提出轻量级纹理–颜色残差尺度感知网络（TRSNet），通过四个创新模块提升检测精度与计算效率，为智慧果园中的产量估算和生长监测提供技术支持。
研究人员的主要技术方法包括：在数据层面，于吉林省长春市朝阳区南部生态果园采集‘昌黎15’李子图像，经筛选与标注形成包含1370幅图像、6786个实例的PRD数据集，并采用翻转、亮度调整、运动模糊进行数据增强；在模型层面，以YOLO11n为基线，提出纹理–颜色双频动态融合（TCD）模块增强颜色与纹理协同表征，设计残差坐标感知空间池化聚合（RCSA）模块优化多尺度空间特征，构建基于局部差异引导Ghost卷积的轻量级检测头（LDGDetect）强化细粒度信息，并采用尺度感知增强EIoU（SA-EIoU）损失函数改善边界框回归。实验在PyTorch框架下使用NVIDIA GeForce RTX 4070 Ti SUPER GPU完成。
结果部分如下：
4.1 实验环境与参数设置：研究在Windows 10平台使用PyTorch 2.2.2和MuSGD优化器训练模型，设置批次大小32、训练轮数200、初始学习率0.01，并固定随机种子确保可重复性。
4.2 实验评价指标：采用精确率（Precision）、召回率（Recall）、mAP
50、mAP
50:95、参数量和浮点运算量（FLOPs）六项指标综合评价模型性能。
4.3 训练收敛与检测性能分析：通过训练损失曲线和规范化混淆矩阵评估，TRSNet比YOLO11n收敛更快且损失更低；在测试集上，TRSNet获得精确率92.5%、召回率84.3%、mAP
50 92.3%、mAP
50:95 81.3%，参数量2.18 M，FLOPs 4.8 G，均优于基线模型。
4.4 渐进式消融实验：依次加入TCD、RCSA、LDGDetect和SA-EIoU模块后，检测精度逐步提升，参数量与计算量逐步下降，证明各模块的互补有效性。
4.5 SA-EIoU损失与其他IoU损失比较：在TRSNet框架下与CIoU、DIoU、EIoU、GIoU、SIoU、WIoU系列及α-IoU等对比，SA-EIoU取得最高精确率，尤其显著减少误检，证实尺度感知归一化机制对多尺度目标回归的优越性。
4.6 不同模型比较：与Faster R-CNN、SSD、RT-DETR及多种YOLO变体相比，TRSNet在检测精度和模型复杂度之间取得最佳平衡，在参数量和FLOPs最低或接近最低时，各项精度指标均超越所有对比模型。
4.7 可视化结果分析：定性检测结果表明，TRSNet在遮挡、小目标、背景颜色相似等场景下减少了漏检和误检，置信度更高；特征热力图显示其注意力更集中于果实区域，对叶片和背景响应降低，并有效关注果实内部纹理与边缘信息。
4.8 泛化性能与鲁棒性评估：在两个跨果园测试集上，TRSNet的mAP
50分别达到89.0%和89.1%，显著优于YOLO11n；在公开蓝莓数据集上，召回率从76.2%提升至83.6%，证明其跨水果类型泛化能力。
4.9 嵌入式边缘设备部署实验：在Jetson Orin Nano平台上，TRSNet以640×640输入分辨率稳定运行于30–31 FPS，满足实时推理需求，适用于智能果园、采摘机器人和边缘农业监测系统。
讨论与结论方面，TRSNet通过双频特征融合、空间信息增强、轻量检测头和尺度感知损失协同作用，在保持轻量化的同时显著提高复杂果园环境下的成熟度检测精度。跨果园、跨数据集实验证实其鲁棒泛化能力，边缘部署实验验证实际应用可行性。研究结论指出，TRSNet在检测精度、模型紧凑性和推理速度之间实现了良好平衡，优于现有轻量级检测器，可用于商业果园生长监测；未来工作将拓展至智能手机和无人机平台，以支持更大范围的成熟度检测、产量估算和作物生长监测。
