低剂量叶面褪黑素提升黄瓜低温胁迫耐受性

《Agronomy》：Low-Dose Foliar Melatonin Enhances Chilling Stress Tolerance in Cucumber

　　

在复杂果园环境中，李子成熟度检测面临目标尺度变化大、成熟阶段间外观差异细微、枝叶遮挡严重以及光照剧烈变化等挑战。为解决这些问题，研究人员构建了李子成熟度检测（Plum Ripeness Detection，PRD）数据集，并提出一种基于YOLO11n的轻量化纹理–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、轻量化检测头以及改进的边界框回归策略，从而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其对环境变化和品种迁移具有鲁棒性，蓝莓数据集额外测试证实其跨果品泛化潜力。在Jetson Orin Nano嵌入式平台部署显示稳定实时推理，可支撑智慧果园产量估算与生长监测。

研究背景方面，李子具有高经济与营养价值，成熟度直接影响采收时机、品质分级与加工环节。传统方法依赖人工观察或颜色空间变换、纹理描述、边缘检测等手工特征工程，在光照不均、枝叶遮挡、背景杂乱和果实重叠的自然果园中泛化能力差。基于卷积神经网络（Convolutional Neural Network，CNN）的You Only Look Once（YOLO）系列虽被广泛用于果实检测，但李子成熟度检测仍存在颜色判别特征不稳定、细粒度特征提取受限、复杂环境干扰强、模型参数量过大不利于边缘部署等问题。因此，研究人员在《Agronomy》发表该研究，提出轻量化TRSNet以提升复杂果园中李子成熟度检测精度与部署可行性。

主要关键技术方法上，研究人员构建吉林长春潮阳地区‘Changli 15’李树的PRD数据集，含未熟（Unripe）、半熟（Semi-ripe）、熟（Ripe）三类，经LabelImg标注为YOLO格式并按8:1:1划分，训练集采用翻转、亮度调整、运动模糊增广；以YOLO11n为基线，设计纹理–颜色双频动态融合（Texture–Color Dual-Frequency Dynamic Fusion，TCD）模块、残差坐标感知空间池化聚合（Residual Coordinate-aware Spatial Pooling Aggregation，RCSA）模块、局部差异引导Ghost检测（Local Difference Guided Ghost Detect，LDGDetect）头，以及尺度感知增强高效交并比（Scale-Aware Enhanced Efficient-IoU，SA-EIoU）损失；最后在NVIDIA Jetson Orin Nano上部署验证。

数据集构建

研究人员在吉林长春露天果园采集iPhone影像，按果皮红晕比例定义三类成熟度，得到1370张图与6786个实例，增广后训练集翻倍，验证集与测试集不变，从而保证类别均衡与评估无偏。

方法

研究人员以YOLO11n为基线和四个改进点开展方法设计：TCD用高频分支提取边缘与果皮纹理、低频分支编码颜色与全局结构，并以Softmax动态加权融合，配合StarReLU与残差连接；RCSA以串行最大池化扩感受野，融合坐标注意力（Coordinate Attention，CA）增强关键区域，残差保留浅层空间细节；LDGDetect以Ghost卷积生成主特征与补特征，并用局部差异权重强化边缘与纹理；SA-EIoU将宽高误差按真实框固有尺度归一，替代完整交并比（Complete Intersection over Union，CIoU）的损失框架，提升多尺度边界框回归稳定性。

实验与讨论

训练收敛与检测性能分析中，研究人员对比YOLO11n与TRSNet损失曲线和归一化混淆矩阵，TRSNet更快收敛且未熟、熟类识别率提升至0.90与0.89，证明颜色与纹理联合建模可降低阶段间混淆。渐进消融实验表明，依次加入TCD、RCSA、LDGDetect、SA-EIoU后，Precision由86.8%升至92.5%，mAP_50:95由76.4%升至81.3%，参数量由2.58 M降至2.18 M，说明四模块互补且均利于精度与轻量化。损失函数对比中，SA-EIoU在CIoU、DIoU、EIoU、GIoU、SIoU、WIoU、α-IoU中取得最优Precision 92.5%，证明尺度感知归一可抑制多尺度回归偏差。不同模型对比中，Faster R-CNN、SSD、RT-DETR要么精度低要么算力高，YOLO系列中TRSNet以2.18 M、4.8 G FLOPs取得mAP₅₀ 92.3%，平衡性最佳。可视化实验显示TRSNet减少漏检与误检，热力图响应更集中于李果区域。泛化评估中，跨果园‘Gongzhu Hong’与‘Beifang 2’测试集直接使用PRD权重推理，TRSNet各项指标均优于YOLO11n；蓝莓数据集重训后Recall由76.2%升至83.6%，证实跨果品泛化。边缘部署实验在Jetson Orin Nano、JetPack 6.2、CUDA 12.6、PyTorch 2.5环境下以640×640输入取得30至31 FPS，满足农业视觉实时需求。

讨论总结与结论翻译

研究人员讨论指出，TRSNet的双频融合、空间增强与轻量头在未见果园、跨品种和跨果品场景均保持稳健，但实际表现会随品种、季节、光照与相机特性变化。未来工作将面向手机与无人机做大规模成熟度检测、产量估算与生长监测。

结论部分翻译：李子果园场景成熟度检测面临三大核心挑战，即目标尺度变化显著、成熟阶段间视觉相似、背景杂乱严重。为此，本研究提出基于YOLO11n的轻量化TRSNet，包含TCD、RCSA、LDGDetect与SA-EIoU四类组件。在自建PRD上的实验表明，TRSNet在精度与计算效率上均显著优于YOLO11n基线，参数量与FLOPs明显下降；与RT-DETR及YOLO26n等前沿检测器对比进一步验证各模块有效性与TRSNet竞争力。跨果园、跨数据集实验证实其对环境与果品类型具鲁棒泛化，Jetson Orin Nano部署验证其实时可行性。总之，TRSNet在检测精度、模型紧凑性与推理速度间取得良好权衡，适用于商品果园生长监测；后续将拓展至智能手机与无人机平台及更广果类。