《Frontiers in Plant Science》：Full shuffle and p-rectified semi-inner powerful IoU-based chili pepper flower recognition with environment-aware YOLO11
编辑推荐：
作为一种常见的温室商业化作物，辣椒产量始终备受关注。有效的管理对于温室的环境可持续性和高生产力均至关重要。无论是生长监测、产量估算还是自动化生产，辣椒花朵的精确识别都至关重要。为此，本研究基于YOLO11目标检测模型，聚焦于辣椒花朵的精准检测。通过利用自建的温
作为一种常见的温室商业化作物，辣椒产量始终备受关注。有效的管理对于温室的环境可持续性和高生产力均至关重要。无论是生长监测、产量估算还是自动化生产，辣椒花朵的精确识别都至关重要。为此，本研究基于YOLO11目标检测模型，聚焦于辣椒花朵的精准检测。通过利用自建的温室辣椒花朵数据集并整合数据增强，增加了不同场景下样本的多样性。为应对YOLO11在该任务中的局限性，本研究提出一个统一框架，集成三个模块：（1）全洗牌（Full Shuffle），以增强模型通道间的信息交换并优化权重；（2）鉴于YOLO11在训练过程中无法纳入外部环境数据，引入环境感知C3k2（Environment-aware C3k2）模块；（3）所提出的p校正半内强力IoU（p-rectified Semi-inner Powerful IoU）加速了模型收敛并提升了灵活性。实验表明，该方法取得了84.8%的mAP50、50.2%的mAP50-95、81.1%的精确率（Precision）和75.6%的召回率（Recall），较基线YOLO11的77.3%提升了7.5个百分点，并在相同实验条件下优于YOLOv8、YOLO12、RTDETR和Faster R-CNN。因此，在性能方面，该方法总体上超越了现有的辣椒花朵检测算法。目前针对温室内辣椒花朵检测的研究仍然有限。该研究为智慧农业的发展提供了有价值的见解。未来工作将进一步探索模型在多个品种和生长阶段的泛化能力，并将其部署于嵌入式设备以实现实际应用。
论文解读文章
一、研究背景与问题提出
辣椒作为全球重要的商业化经济作物，其产量始终是农业生产的关注焦点。辣椒具有喜温、中等需光、根系较浅且对水肥高度敏感等生物学特性，与温室环境在温度、光照、水分和空气调控方面的能力高度契合，因此温室栽培已成为全球范围内高附加值农业生产系统的重要组成部分。在温室环境中，由于空气流通性差、昆虫稀少，人工授粉成为提高坐果率的关键环节。然而，辣椒花朵体积小、密度大，传统人工授粉在大规模温室中几乎难以实施，且劳动强度大、耗时费力，授粉效果完全依赖种植者经验，难以适应高密度设施农业的可持续发展需求。
智慧农业作为传统农业向数字化转型过程中的新型生产方式，通过融合现代信息技术实现管理、作业、加工、储运、销售和服务全链条的智能化。作物生长过程的监测作为农业智能化的重要组成，对产量预测和田间管理具有显著影响。自动化授粉的基础在于赋予机器感知和定位目标花朵的能力。然而，辣椒花朵的识别面临多重挑战：花萼直径通常仅为5–8毫米，呈白色或淡黄色，与绿色背景对比度低，小尺度特征易导致漏检；温室高湿环境下水滴易在花瓣表面凝结，扭曲花瓣纹理；高密度种植导致约35%的花朵仅部分可见，标准算法难以可靠定位目标；花瓣表面的光照反射形成高光噪声，严重干扰颜色特征提取。
尽管深度学习图像检测技术发展迅速，YOLO系列以其单阶段架构在识别精度和速度之间取得了良好平衡，并采用特征金字塔和多尺度预测机制增强复杂农业场景下的抗干扰能力，但现有研究主要集中于果实、种子、枝叶和病害等作物的检测，花朵检测相对少见，且有限的花朵检测研究多集中于大田作物，针对温室环境下辣椒花朵检测的研究更为稀缺。因此，开展温室复杂环境下辣椒花朵检测研究具有重要的学术价值和应用前景。
二、研究内容与核心方法
针对上述问题，研究人员以YOLO11n为基线模型，提出了一种统一框架，集成三项关键改进模块，用于温室辣椒花朵的精准检测。
全洗牌模块：经典通道洗牌（Channel Shuffle）采用分组卷积核实现跨通道信息交换，但研究人员发现部分特征图在洗牌前后位置保持不变，属于部分洗牌而非完全洗牌。此外，经典洗牌操作全局进行，忽略了特征图内部局部区域的分布差异。为此，研究人员将二维通道洗牌扩展至三维，引入区域（Region）维度，提出全洗牌方法。该方法在特征图内部区域间进行洗牌，增强了模型对局部特征的适应性，有效提升了小目标花朵的特征显著性，并抑制了复杂温室背景噪声的干扰。
环境感知C3k2模块：YOLO11的C3k2模块采用统一标准提取特征，难以适应辣椒花朵因拍摄距离和角度不同而产生的尺寸和形态多样性，且无法整合温室环境中的外部语义信息。研究人员提出环境感知C3k2模块，采用多尺度瓶颈结构（1×1、3×3、5×5卷积核）增强对小目标的特征提取能力，并利用预训练的TinyBERT模型对自然语言描述的环境信息进行编码，通过门控机制和矩阵运算将环境语义先验融合至特征提取过程，引导模型向开放集识别方向发展，提升对环境变化的泛化能力和鲁棒性。
p校正半内强力IoU损失函数：现有IoU变体在复杂温室场景下难以兼顾收敛速度和定位精度。Inner-IoU通过关注边界框内部区域减少外部背景干扰，但未考虑形状、位置和相对尺寸等因素；Powerful IoU虽引入自适应惩罚因子，但计算复杂度较高。研究人员结合两者设计思路，提出半内强力IoU，仅在预测框内构造一个内框，利用人工标注的GT框精确描绘目标边界，在降低计算复杂度的同时加速模型收敛，并通过更灵活的比率设置提升辣椒花朵的识别性能。
三、研究结果
数据集构建与实验设置：研究人员在真实温室环境中采集数据并构建了辣椒花朵数据集，涵盖高密度花朵、局部可见、光照影响、水滴附着等多种复杂场景，并通过数据增强增加样本多样性。
总体性能对比：实验结果表明，所提方法取得了84.8%的mAP50、50.2%的mAP50-95、81.1%的精确率和75.6%的召回率，较基线YOLO11的77.3%提升了7.5个百分点，并在相同实验条件下优于YOLOv8、YOLO12、RTDETR和Faster R-CNN等对比算法。
消融实验分析：通过逐步引入各改进模块进行消融实验，验证了全洗牌、环境感知C3k2和p校正半内强力IoU三个模块各自对检测性能的贡献，证实了统一框架中各模块的有效性和互补性。
四、讨论与结论
研究讨论指出，温室辣椒花朵检测任务本质上涉及高密度种植、小目标尺寸、低对比度、部分遮挡和光照干扰等多重因素的综合作用。所提出的方法通过增强通道信息交换、融合环境语义先验和优化定位损失函数，有效提升了模型在复杂温室环境下的检测精度和鲁棒性。研究结论表明，该方法在性能上总体超越了现有辣椒花朵检测算法，为智慧农业的发展提供了有价值的见解。未来工作将进一步探索模型在多个品种和生长阶段的泛化能力，并将其部署于嵌入式设备以实现实际应用。
