《Foods》：PMDS-YOLO: A Lightweight Deep Learning Model for Non-Destructive Citrus Fruit Diameter Estimation and Quality Grading
编辑推荐：
柑橘果实大小是决定其商业价值和市场接受度的核心品质属性。在采后加工中，快速、准确且无损的直径估计是自动化分级的基本前提，然而现有的计算机视觉方法难以部署在工厂边缘设备上。为解决这一问题，本文提出PMDS-YOLO，一种用于柑橘果实直径无损估计和自动化品质分级的
柑橘果实大小是决定其商业价值和市场接受度的核心品质属性。在采后加工中，快速、准确且无损的直径估计是自动化分级的基本前提，然而现有的计算机视觉方法难以部署在工厂边缘设备上。为解决这一问题，本文提出PMDS-YOLO，一种用于柑橘果实直径无损估计和自动化品质分级的轻量级深度学习模型。该模型包含四项关键改进：将宽度因子压缩至0.125以消除通道冗余；采用嵌入所提出的多尺度通道-空间残差注意力模块（MCSR）的MobileOne主干网络，在降低参数量的同时增强多尺度特征提取和背景判别能力；引入动态蛇形卷积（DySnakeConv）改进特征提取模块，以更好地检测不规则果实轮廓；采用软非极大值抑制（Soft-NMS）以减少密集重叠目标的漏检。在自建柑橘数据集上的实验结果表明，PMDS-YOLO仅需0.58 M参数，mAP@0.5:0.95达到86.41%，相比基线YOLOv13n参数数量减少76.4%，mAP提升0.99个百分点。在直径估计阶段，二次多项式回归校准模型将平均绝对误差（MAE）降至2.15 mm（R2 = 0.85，RMSE = 3.16 mm），并在分级评估中达到57.0%的总体分级准确率，表明该方法在直径估计精度方面展现出潜力，但分级性能仍需进一步优化。所提出的系统为初步果实大小评估和小规模分选应用提供了一种低成本、可边缘部署的解决方案。
基于PMDS-YOLO的柑橘果实直径无损估计与品质分级研究解读
一、研究背景与意义
柑橘是全球广泛种植的经济果树之一，也是中国推动乡村振兴的重点扶持产业。果实大小是决定柑橘商业价值和市场价格的核心品质属性，其中果实直径更是柑橘品质评价、分级分选和产量估计的核心指标。传统的直径测量依赖人工使用游标卡尺等工具逐一测量，不仅耗时费力，还容易对果皮造成划伤，影响采后品质和货架期。因此，实现快速、准确、无损的柑橘果实直径估计对采后加工和自动化分级系统至关重要。
现有的基于视觉的果实直径估计方法主要分为两类。一类是基于2D/3D几何测量的传统方法，依赖激光雷达（LiDAR）或深度相机等专用设备获取三维点云或深度信息，虽然取得了一定进展，但设备部署成本高、环境适应性差、易受干扰，难以满足中小型柑橘加工企业低成本、现场化的应用需求。另一类是基于深度学习的检测与估计方法，包括以Faster R-CNN为代表的两阶段检测算法和以YOLO系列为代表的单阶段检测算法。两阶段方法虽然检测精度较高，但推理冗余大、速度慢、参数和计算成本高，不适合实时食品分级产线的边缘部署。单阶段方法在速度和参数上具有优势，但在计算和存储资源严重受限的边缘部署场景中，其模型规模和计算开销仍然较大。
近年来，研究者针对柑橘检测任务开展了大量轻量化设计工作，如Yolo-FD、FEW-YOLOv8n、YOLO-MECD、YOLO-DCA等模型，将参数压缩至兆级水平。然而，现有轻量化设计范式大多聚焦于参数缩减，对计算成本和延迟的协同优化关注有限，部分模块仍存在结构冗余。因此，在模型大小、推理速度和检测精度之间取得良好平衡，仍是食品质量评估边缘部署的关键挑战。该论文发表于《Foods》期刊，针对上述问题开展了系统性研究。
二、主要技术方法
研究人员构建了涵盖果园和实验室两种场景的柑橘图像数据集，使用一加Ace5手机在果园和实验室采集1344张原始图像，覆盖不同光照、遮挡、果实密度和成熟度等多样场景。其中100个果实被带回实验室，使用游标卡尺测量纵径和横径，使用电子天平测量单果重量。数据集按7:2:1比例划分训练集、验证集和测试集，训练集经数据增强扩充至5405张图像。
在模型构建方面，研究人员以YOLOv13n为基线，从四个维度进行改进：将宽度因子压缩至0.125构建超轻量YOLOv13pico；提出多尺度通道-空间残差注意力模块（MCSR），通过级联多分支深度可分离膨胀卷积（DDConv）构建层次化感受野，串联高效通道注意力（ECA）和空间注意力（SA）实现通道自适应加权和果实区域响应增强；将MCSR嵌入MobileOne主干构建MCSR-MobileOne骨干网络；在DSC3k2模块中引入动态蛇形卷积（DySnakeConv）以增强不规则果实轮廓的特征提取；采用软非极大值抑制（Soft-NMS）替代传统NMS以减少密集重叠目标的漏检。
在直径估计方面，研究人员提出以25 mm标准硬币为参照物，基于相似三角形原理利用果实和硬币的边界框高度比进行初始直径估计，再通过二次多项式回归模型校准系统偏差，最后依据DB5304/T 003-2019标准进行智能分级。
三、研究结果
不同目标检测模型的对比实验。 研究人员在相同实验条件下对比了Faster R-CNN、SSD、RetinaNet及多种轻量级YOLO系列模型。结果表明，YOLOv13n在精度和轻量化之间取得了最佳平衡，被选为基线模型。所提出的PMDS-YOLO模型在检测精度与YOLOv11n和YOLOv13n相当的情况下，参数量减少76.4%，模型大小仅1.44 MB，展现出更强的边缘部署优势。
消融实验。 研究人员设计了八组消融实验验证各改进策略的贡献。宽度因子压缩单独引入时参数量减少67.07%，但mAP下降0.9个百分点，主要起模型压缩作用；MCSR-MobileOne主干单独引入时参数量减少28.86%，mAP提升0.38个百分点；DySnakeConv单独引入时参数量减少6.91%，mAP提升0.78个百分点。完整模型组合实现参数量减少76.4%、计算成本减少64.1%，同时mAP提升0.99个百分点、精度提升2.08个百分点，实现了轻量化与高精度的有效融合。
MCSR注意力有效性验证。 研究人员以嵌入原始MobileOne的模型为基线，对比了CA、CBAM、EMA、GAM和MCSR五种注意力机制。结果表明，MCSR仅增加0.01 M参数即将mAP从83.60%提升至84.77%，精度从94.14%提升至95.93%，优于其他四种注意力机制。EigenCAM可视化显示MCSR能将高响应区域精准聚焦于果实主体和边缘轮廓，有效抑制背景响应。
特征提取对比实验。 研究人员对比了DySnakeConv、BiFormer、GnConv、iRMB和RFAConv五种DSC3k2改进方案。DySnakeConv在mAP提升0.78个百分点的同时仅增加0.17 M参数，召回率达到92.39%，在精度提升和轻量化之间取得了最佳平衡。
综合性能分析。 研究人员使用四种随机种子进行训练验证统计可靠性。PMDS-YOLO平均mAP@0.5:0.95为86.22%±0.24%，平均精度为97.03%±0.42%，分别较基线提升0.97和1.93个百分点。参数量降至0.58 M，模型大小降至1.44 MB，推理帧率达48.0 FPS，较基线提升66.7%。
直径估计偏差分析与回归校准。 研究人员基于100个果实样本，初始估计值与实测值之间存在显著系统偏差，MAE达14.28 mm，且大果（直径>80 mm）的平均误差达21.10 mm。通过对比线性回归、二次多项式回归、对数回归和岭回归四种校准模型，二次多项式回归表现最优，将MAE降至2.15 mm，RMSE降至3.16 mm，R2达到0.85。
边缘部署与实时验证。 研究人员将模型部署于搭载骁龙765G处理器的iQOO Z1X安卓设备上，将PyTorch权重转换为TensorFlow Lite格式。端到端总延迟约200 ms/帧，TFLite推理速度约8 FPS，端到端吞吐量约5帧/秒，实现了离线环境下果实检测、直径计算、误差校准和等级判定的集成操作。
分级性能评估。 基于100个样本的分级评估显示，校准后模型的总体分级准确率为57.0%。特级果（≥70 mm）准确率68.0%，一级果（65-70 mm）准确率66.0%，二级果（60-65 mm）准确率仅34.6%，等外果（<60 mm）准确率50.0%。二级果大量被误分为一级果，表明分级边界附近的估计误差方向和幅度对分级结果有决定性影响。
四、讨论与结论
讨论部分指出，该研究提出的轻量化策略具有明确的问题导向性，四项改进之间存在明确的分工和协同互补关系。在直径估计方面，基于边界框的估计方法相比依赖完整轮廓的传统方法对遮挡和复杂背景具有更强的鲁棒性，但硬币与果实共面、边界框高度方向平行于图像平面等几何假设在实际场景中难以严格满足，透视畸变、不规则果实轮廓、遮挡和倾斜拍摄角度等因素超出了二次多项式回归的校正能力。研究还揭示了回归精度优化与分级性能提升之间的非等价性：当分级阈值间隔仅为5 mm时，即使MAE仅为2.15 mm，边界附近的估计误差仍可能跨越分级阈值导致误分。从食品质量保障角度看，该方法提供了客观可重复的直径测量，消除了人工目视检测的主观性，无损特性有助于保持果实完整性，低成本边缘可部署设计使中小型加工企业也能获得自动化分级技术。
研究结论部分翻译如下：为解决现有柑橘检测模型参数量大、计算成本高、难以在边缘设备部署，以及传统直径测量方法依赖专用设备、成本高、效率低的问题，本研究以YOLOv13n为基线，提出超轻量检测模型PMDS-YOLO，并建立了适用于边缘部署的柑橘直径估计与智能分级方法。主要结论包括：第一，通过宽度因子压缩、MCSR-MobileOne主干替换、动态蛇形卷积改进DSC3k2模块和Soft-NMS优化，构建了PMDS-YOLO模型，参数量仅0.58 M，模型大小1.44 MB，计算成本2.3 G，推理帧率48.0 FPS，mAP@0.5:0.95达86.41%，精度达97.43%，在资源受限的边缘设备上展现出部署潜力。第二，提出“硬币尺度参照-相似三角形估计-二次多项式回归校准”的低成本直径估计方案，校准后MAE降至2.15 mm，RMSE为3.16 mm，R2达0.85。第三，构建了从目标检测、直径计算、误差校准到等级判定的端到端智能分级系统，并成功部署于安卓移动设备，支持离线、实时的无损柑橘检测与分级。第四，所提出的轻量化改进策略、低成本直径测量方法和边缘部署方案可为果蔬目标轻量化检测、视觉尺寸估计和农业边缘智能应用提供可参考的技术范式，对提升柑橘产业产品一致性、减少采后损失和提高供应链效率具有重要意义。
