面向人参等级判定的YOLO目标检测：数据集构建与形态保持型类别平衡增强方法

《BMC Plant Biology》：MP-CBA-YOLO: a morphology-preserving class-balanced object detection method for small-sample imbalanced ginseng grade detection

　　人参等级判定依赖多维形态学证据，包括芦头节段、主根形态、须根分布、表皮光泽以及局部缺陷。长期以来，等级主要由经验丰富的专家根据行业标准进行综合判断。由于实际采集中的高等级样本有限，且相邻等级之间的视觉边界连续，基于深度学习的人参等级检测面临着小样本量、类别不平衡、细微差异微弱以及背景变化干扰等综合挑战。为应对这些问题，构建了一个标准YOLO格式的人参等级目标检测数据集。该数据集包含679张高分辨率图像，覆盖特级、一级、二级和普通四个等级。所有样本均在标准化摄影环境中采集，等级标签由至少两名经验丰富的专家根据T/thrs-吉林省道地药材人参等级标准确认。此外，设计了一种形态保持型类别平衡增强方法，即MP-CBA，作为一种领域先验约束的数据级策略，用于分析形态敏感的人参分级中少数类别的扩展。该方法在训练期间仅对少数类即特级和一级类别进行保守增强。使用小角度旋转、轻微缩放、低幅度平移、水平翻转以及亮度-对比度扰动来扩展样本覆盖率，而验证集和测试集保持完全不变。经过基于验证集的模型选择后，选用输入尺寸为640的YOLO11s作为最终配置。在保留测试集评估中，所选YOLO11s-640模型的精确率、召回率、mAP50和mAP50-95值分别为0.782、0.913、0.907和0.836。验证集对比进一步表明，过度的类别平衡增强和P2高分辨率检测头并未提升定位质量，这表明模型选择应基于验证集证据而非反复进行测试集对比。