复杂果园环境中不同成熟阶段蓝莓的轻量级检测

《Agriculture》：Lightweight Detection of Blueberries at Different Maturity Stages in Complex Orchard Environments

　　准确检测不同成熟阶段的蓝莓对于果园监测和采收规划具有重要意义，但在复杂的田间条件下仍然具有挑战性，因为果实体积小、密集簇生、频繁被遮挡，且在未成熟、变色期和成熟期之间颜色过渡细微。对于轻量级检测器而言，一个关键的技术挑战是：在不大幅增加推理复杂度的情况下，既保留小果实的高分辨空间信息，又维持足够的上下文表示以应对密集果簇和视觉上难以区分的成熟阶段。为了弥补这一不足，本研究开发了一个轻量级检测框架，联合针对小目标感知、上下文特征增强和训练阶段的语义监督进行优化。构建了一个包含4680张图像和60,573个真实边界框的田间数据集。将YOLOv12n的P3/P4/P5检测结构重新设计为P2/P3/P4架构，以增强对小目标的高分辨特征表示。引入了一种基于单头自注意力的轻量级特征增强模块，称为SHSA2C2f，用于改进密集果簇和视觉上难以区分的成熟阶段的上下文表示。进一步评估了DINOv3（ViT-S/16）引导的非对称知识蒸馏作为仅用于训练的语义监督策略，该策略不会引入额外的推理成本。在三次独立运行中，精度导向的M4模型达到了92.68 ± 0.04%的mAP@0.5和86.38 ± 0.10%的mAP@0.5:0.95，参数量为0.79 M，其中变色期的AP50达到89.78 ± 0.28%。对于相同的教师架构，引入非对称蒸馏策略后，召回率从85.00 ± 0.52%提升至85.81 ± 1.12%，而mAP@0.5:0.95则从86.38 ± 0.10%略微下降至86.19 ± 0.17%，表明这是一种偏向召回率的性能权衡。在TensorRT FP16转换后，M4模型保留了92.75%的mAP@0.5和86.24%的mAP@0.5:0.95，在Jetson Orin Nano上以15.9 FPS运行，表明在所评估条件下其适用于边缘设备推理。