微喷灌下优化分施氮肥通过籽粒灌浆与氮素转运提升小麦产量与品质

《Agronomy》：Optimized Split Nitrogen Topdressing Under Micro-Sprinkler Fertigation Improves Wheat Yield and Quality via Grain Filling and Nitrogen Translocation

　　

在复杂果园环境中，李熟度检测面临目标尺度变化大、成熟阶段间外观差异细微、叶片遮挡严重及光照剧烈变化等挑战。为解决这些问题，研究人员构建李熟度检测（PRD）数据集，并提出一种基于YOLO11n的轻量级纹理–颜色残差尺度感知网络（TRSNet）。TRSNet集成纹理–颜色特征融合与空间特征增强模块、轻量级检测头及改进边界框回归策略，在保持低计算成本的同时提升检测精度。在PRD上的实验取得精确率（Precision）92.5%、召回率（Recall）84.3%、mAP50 92.3%、mAP50:95 81.3%，参数量2.18 M，计算量4.8 G FLOPs，优于YOLO11n、RT-DETR、YOLO26n等基线。跨果园与跨品种评估显示对环境变异和品种迁移具有鲁棒性，蓝莓数据集附加测试证实跨水果类型的泛化潜力。在Jetson Orin Nano嵌入式平台部署显示稳定实时推理，支撑智能果园高效产量估算与生长监测。

研究背景方面，李果经济与营养价值高，熟度直接影响采收时机、品质分级与加工，但自然采摘果园中存在尺度多变、同阶色纹差异微小、枝叶遮挡、光照波动与背景杂乱等问题，传统机器学习依赖手工特征且泛化弱，通用YOLO系列在细粒度熟度区分与边缘部署上仍受限。为此，研究人员在《Agronomy》报道了面向采摘果园的轻量级熟度检测网络TRSNet，以兼顾高精度、实时性与低算力，支撑智能采收与数字果园管理。

关键技术方法上，研究人员在吉林长春朝阳生态果园采集‘Changli 15’李图像1370张，按未熟（全绿）、半熟（红晕<80%）、熟（红晕≥80%）三档标注，以8:1:1划分训练/验证/测试集，训练集经翻转、亮度0.5–1.5、6×6运动模糊增广至2188张；以YOLO11n为基线，依次嵌入纹理–颜色双频动态融合（TCD）模块、残差坐标感知空间池化聚合（RCSA）模块、局部差分引导Ghost检测（LDGDetect）头、尺度感知增强EIoU（SA-EIoU）损失，在RTX 4070 Ti SUPER上用MuSGD训练200轮，并在Jetson Orin Nano部署验证。

研究结果部分，数据集构建小节表明PRD涵盖遮挡、重叠、密集、小目标与逆光场景，类别均衡，增广提升复杂环境适应力。方法小节中，TCD用深度可分离卷积提取高频纹理、平均池化提取低频颜色，经Softmax动态加权融合并引入StarReLU与残差连接，强化熟期间色纹判别；RCSA以序贯最大池化扩感受野，融合坐标注意力（CA）与残差聚合，提升多尺度与遮挡目标定位；LDGDetect基于Ghost卷积生成主辅特征，以3×3平均池化取局部差分经Sigmoid调制，增强边缘与细粒度响应且参数量低；SA-EIoU将宽高误差按真实框固有尺度归一，替代CIoU/EIoU，改善多尺度边界框回归。实验与讨论小节中，训练损失更快收敛，混淆矩阵显示未熟/半熟/熟识别率升至0.90/0.88/0.89；渐进消融表明TCD+RCSA+LDGDetect+SA-EIoU相较YOLO11n，Precision 86.8%→92.5%、Recall 81.1%→84.3%、mAP₅₀ 89.1%→92.3%、mAP_50:95 76.4%→81.3%，参数2.58 M→2.18 M、FLOPs 6.3 G→4.8 G；SA-EIoU在CIoU/DIoU/GIoU/SIoU/WIoU/α-IoU对比中综合最优；横向对比Faster R-CNN、SSD、RT-DETR及YOLOv5n–YOLO26n，TRSNet精度与轻量性平衡最佳；可视化显示高置信、补漏检、抑误检，热图响应更聚于果实；跨果园（Antu‘Gongzhu Hong’、Nanguan‘Beifang 2’）零微调mAP₅₀达89.0%/89.1%，蓝莓数据集复训mAP₅₀ 86.3%、Recall 83.6%；Jetson Orin Nano上640×640输入稳跑30–31 FPS。

讨论与结论翻译部分，研究人员指出果园李熟度检测面临尺度剧变、阶间视觉相似与背景杂乱三大挑战，所提TRSNet通过TCD联合色纹表示、RCSA空间上下文融合、LDGDetect细粒度捕获与SA-EIoU回归优化，在PRD上显著超越YOLO11n基线并降本提效；跨果园、跨品种及蓝莓数据集证实泛化性，Jetson Orin Nano部署证实时效性。综上，TRSNet在检测精度、紧凑性与推理速度间取得有利权衡，优于现有轻量检测器，适用于商品果园生长监测；实际表现受品种、季节、光照与相机特性影响，未来将拓展至智能手机与无人机平台，服务大尺度熟度检测、产量估算及更广水果作物监测。