面向草莓品质优化的智能疏果决策：一种轻量级果梗–果实拓扑关系感知方法

《Foods》：Intelligent Thinning Decision for Strawberry Quality Optimization: A Lightweight Peduncle–Fruit Topological Relationship Perception Method

　　摘 要疏果是将养分集中起来的关键步骤，对培育具有极佳口感的优质草莓至关重要。研究表明，将每花梗结果数量控制在三至五枚可显著提高大果比例并增强甜度，同时有效降低病害感染风险。因此，农药使用量得以最小化，从而保障食品安全并提升整体产品品质。尽管精确执行基准是自动疏果的先决条件，但当前研究大多局限于孤立果实识别，在复杂遮挡条件下对花梗—果实拓扑关联的直接检测仍未得到解决。为弥补这一空白，本文提出了一种面向自动疏果的轻量级三阶段（"由粗到精"）检测方法。该流程包括全局定位、带背景抑制的局部裁剪以及精细二次推理，可有效缓解环境干扰。为支持本研究，构建了一个包含1131张高质量图像的专用数据集。为实现高效的边缘部署，采用YOLOv11n作为基线架构，并集成结构重参数化卷积（RepConv）、坐标注意力机制（CoordAtt）和动态重加权损失。该配置确保了对纤细花梗的稳健特征提取，同时具有极低的参数开销。实验结果表明，该模型仅含2.77M参数，即可达到mAP@0.5为75.73%和F1分数为73.85%的性能。值得注意的是，在复杂场景中，每幅图像的平均假阳性（FP）检测数从1.53显著降低至0.23。在基于TensorRT和FP16量化的Jetson Orin Nano Super边缘设备上部署后，端到端系统推理速度稳定在15.58帧/秒（FPS），且精度几乎无损。最终，该方法为自动疏果决策提供了可靠的技术基础，促进了温室的可持续管理，并从源头保障了优质食品的供应。