《Agriculture》：Structure-Aware RGB Channel Reconstruction for YOLOv8-Based Oyster Mushroom Detection
编辑推荐：
平菇（Pleurotus ostreatus）栽培需要精确的目标检测以实现自动化监测和精准农业应用。本研究评估了一种面向YOLOv8s的结构感知三通道输入表示方法，其中原始RGB通道被替换为灰度强度、Sobel梯度幅度，以及由高斯模糊（Gaussian
平菇（Pleurotus ostreatus）栽培需要精确的目标检测以实现自动化监测和精准农业应用。本研究评估了一种面向YOLOv8s的结构感知三通道输入表示方法，其中原始RGB通道被替换为灰度强度、Sobel梯度幅度，以及由高斯模糊（Gaussian Blur）、高斯拉普拉斯算子（Laplacian of Gaussian, LoG）、Canny边缘检测或Gabor滤波生成的互补结构通道。数据集包含555张RGB图像和8282个带有成熟度标签的蘑菇实例。控制实验包括禁用HSV（色调-饱和度-明度）增强的RGB基线、逐组件消融实验（GGG和GGradG）、重复种子训练、按时间顺序（按日期）的留出验证，以及跨架构的RT-DETR（实时检测Transformer）评估。在固定随机划分下，RGB、灰度和结构感知输入之间的差异较小，消融实验表明灰度转换解释了大部分测量到的效应。在按时间顺序划分下，性能大幅下降，且RT-DETR未能复现YOLOv8s中观察到的排序模式。这些结果表明输入表示可以影响检测器行为，但不支持手工设计的结构通道能在不同评估协议或架构下一致提高鲁棒性的一般性论断。
**论文解读文章：**
**一、研究背景与问题提出**
全球人口增长、气候变化、自然资源压力以及农业劳动力短缺正加速数字技术在农业中的推广应用。精准农业（Precision Agriculture）作为一种可持续管理策略，整合了传感技术、自动化、人工智能（Artificial Intelligence, AI）和数据驱动决策，以实现作物状况的持续监测和因地制宜的精准管理。计算机视觉技术因其快速、安全、低成本的优势，已成为农业自动化中最具影响力的工具之一，广泛应用于病害诊断、害虫检测、杂草识别、果实计数、产量估算、成熟度评估和机器人采收等领域。
平菇（Pleurotus ostreatus）是全球广泛栽培的食用菌之一，因其营养价值高、生长周期短、生产成本低而日益受到市场青睐。然而，平菇生产依赖于对温度、相对湿度、二氧化碳浓度、光照和通风等环境参数的精确控制，且对蘑菇生长状态、异常发育和产量的持续监测对确定最佳采收时间和确保产品品质至关重要。目前这些监测任务仍主要依赖人工完成，劳动密集、耗时且易出错。尽管近年来基于物联网（Internet of Things, IoT）的智能栽培平台和基于深度学习的计算机视觉系统已取得一定进展，但大多数研究仍以传统RGB图像作为深度学习模型的直接输入。RGB图像富含颜色信息，但对光照变化、阴影、温室照明条件和背景纹理高度敏感，导致模型可能学习场景特定的颜色模式而非鲁棒的结构特征，限制了其在不同栽培环境下的泛化能力。
在深度学习目标检测框架中，YOLO（You Only Look Once）系列因其高检测精度和实时推理速度成为精准农业领域最广泛采用的检测器之一。YOLOv8作为该系列的重要版本，已在苹果叶片病害检测和土地覆盖分类等农业图像分析任务中得到成功应用。然而，现有研究大多集中于通过添加注意力机制（Attention Mechanism）、特征融合策略或模型优化来改进YOLO架构，对通过面向结构的预处理来重新设计输入图像表示本身关注较少。为填补这一空白，研究人员提出了一种结构感知的RGB通道表示方法，旨在评估将显式编码的互补视觉信息重构为三通道输入对YOLOv8平菇检测性能的影响。
**二、研究内容与总体发现**
研究人员提出了一种新颖的结构感知RGB通道表示方法，该方法不直接使用原始RGB图像，而是将三通道输入重构为：红色通道替换为灰度强度图像以保留亮度信息，绿色通道包含由Sobel算子计算得到的梯度幅度以强调目标边界，蓝色通道由高斯模糊（Gaussian Blur）、高斯拉普拉斯算子（Laplacian of Gaussian, LoG）、Canny边缘检测或Gabor滤波四种图像处理技术之一生成，以提供额外的结构信息。该方法的目的是让YOLOv8学习更具判别力的几何特征，同时减少对原始颜色信息的依赖，从而提高对光照变化、背景杂乱和复杂温室环境的鲁棒性。
在固定随机划分下，RGB基线、灰度复制消融对照（GGG，即三个通道均为灰度强度）和结构感知表示（GGGau、GGLoG）之间的验证和测试性能差异较小。关键的消融实验表明，仅包含灰度强度复制的GGG配置在测试集上取得了最高的mAP@0.5（0.813），而添加了Sobel梯度通道和滤波器结构通道的配置并未表现出一致的进一步优势。这一发现修正了研究人员最初的假设：灰度转换——即去除对原始色调和饱和度信息的依赖——是导致所观察到效应的主要因素，而非梯度或滤波器通道专门促进了基于几何或边界的特征学习。
然而，在按时间顺序（按日期）的留出验证中，所有被评估的配置均出现了大幅性能下降（mAP@0.5从约0.79–0.81降至约0.28–0.49），表明随机图像级划分允许训练集和测试集之间共享时间或场景相关信息，从而高估了对真正未见采集时段的泛化性能。跨架构检查进一步显示，在RT-DETR-l检测器上，RGB基线的性能优于GGG和GGGau，与YOLOv8s上的排序模式相反，表明该输入表示策略的效应不应被假定为可推广至不同检测器架构。
总体而言，这些结果证明了输入表示可以影响检测器行为，但不支持手工设计的结构通道能在不同评估协议或架构下一致提高鲁棒性的一般性论断。研究人员将颜色无关的通道重建定位为一种简单、输入级的预处理策略，值得在YOLOv8系列检测器上进一步研究，但搁置了关于计算效率、架构独立性和几何特征学习机制等更强的论断。
**三、关键技术方法概述**
本研究使用的图像数据集采集自商业室内栽培设施，涵盖2022年12月下旬至2023年4月下旬两个完整栽培周期，使用固定RGB相机在栽培架上方拍摄，共555张原始RGB图像，包含8282个带有成熟度标签的平菇实例（3158个成熟，5124个未成熟），使用LabelMe工具手动标注边界框。输入通道重构流程包括：（1）将原始RGB图像转换为灰度强度图像；（2）使用Sobel算子从灰度图像计算梯度幅度；（3）从高斯模糊（σ=2.0）、LoG（σ=1.0，核大小3×3）、Canny边缘检测（T
low=80，T
high=160）或Gabor滤波（四个方向角θ∈{0°, 45°, 90°, 135°}，核大小21×21）中选择一种生成第三通道；（4）将三通道归一化并合并为新的输入图像。检测器采用YOLOv8s架构，使用预训练权重初始化，训练200个epoch，输入尺寸640×640像素，批量大小16，优化器为AdamW（初始学习率0.001667，动量0.90，权重衰减0.0005），启用自动混合精度（Automatic Mixed Precision, AMP）训练。数据集按70:15:15随机划分为训练、验证和测试子集。控制实验还包括禁用HSV颜色增强的RGB基线、按日期排序的时间顺序留出划分（最早70%训练、次15%验证、最新15%测试）、跨架构RT-DETR-l评估（批量大小8）以及三种随机种子（0、42、123）的重复训练。
**四、研究结果**
*3.1 验证性能*
在固定随机划分下，所有配置在200个epoch后均成功收敛，验证集mAP@0.5范围较窄，介于0.831（GGLoG）至0.846（GGradG）之间，跨度仅0.015。RGB基线（默认HSV增强为0.835，禁用HSV为0.833）和GGG消融对照（0.840）均落在此区间内。F1分数同样接近，介于0.796（GGLoG）至0.803（GGG）之间。由于三种种子重复训练的验证mAP@0.5标准差约为0.005–0.01，该数量级的差异不应被解释为任一配置在验证阶段可靠优于其他配置的证据。
*3.2 测试性能*
在独立测试集上，各配置之间的差异同样较小。标准RGB（默认HSV增强）获得了0.801的mAP@0.5和0.562的mAP@0.5:0.95，禁用HSV增强后为0.803。GGG消融对照获得了所有六个条件中最高的测试mAP@0.5（0.813），而GGradG、GGGau和GGLoG均略低（分别为0.787、0.787和0.788）。各配置的验证-测试差距均较小：GGG的差距最小（0.027），GGGau和GGLoG的差距分别为0.051和0.043，RGB基线在复现评估中的差距为0.034，均为同一数量级。逐类测试结果与总体结果一致，六种条件下成熟类和未成熟类的F1分数均落在约0.75–0.79的窄幅区间内。归一化混淆矩阵显示四种被评估配置（RGB禁用HSV、GGG、GGGau、GGLoG）具有相似的类别级误差模式：成熟实例的正确分配率约为83%，未成熟实例约为79%–81%，背景被误判为未成熟的比例（64%–68%）高于误判为成熟的比例（32%–36%）。GGCanny和GGGabor配置的结果因来源于不可复现的早期评估运行而被排除在控制比较之外。
*3.3 按时间顺序留出验证*
为评估时间/场景相关性的影响，RGB（禁用HSV）和GGG在按日期排序的留出划分上进行了额外训练和评估。两种配置在时间顺序划分下的测试mAP@0.5均出现大幅下降——RGB（禁用HSV）约为0.49，GGG约为0.56——远超随机划分下各表示之间的任何差异。GGGau和GGLoG同样表现出类似模式：从随机划分下的mAP@0.5（约0.78–0.79）降至时间顺序划分下的约0.28，F1分数分别降至0.420和0.415。这表明随机图像级划分确实允许时间相关信息在训练集和测试集之间共享，从而高估了对真正未见采集时段的泛化性能，且所评估的结构感知表示均未表现出优于RGB的时间鲁棒性。
*3.4 跨架构检查：RT-DETR*
为评估YOLOv8上观察到的模式是否适用于不同检测器架构，研究人员在RT-DETR-l（一种实时端到端Transformer检测器）上训练了RGB（禁用HSV）、GGG和GGGau三种配置。结果表明，在RT-DETR下，RGB基线的性能优于GGG和GGGau，与YOLOv8s上的排序相反。这说明本研究中YOLOv8上观察到的泛化模式不能迁移至RT-DETR，所提出的通道重建策略不应在缺乏架构特定验证的情况下被假定为架构无关。此外，RT-DETR初始训练时使用默认批量大小16出现不稳定收敛，需调整为批量大小8以稳定训练，这一训练稳定性问题本身也是一项值得报告的方法学发现。
*3.5 随机初始化敏感性*
为量化运行间变异性，RGB（禁用HSV）、GGG和GGGau三种配置分别在三种随机种子（0、42、123）下进行了重复训练，训练/验证/测试分区保持固定。验证集mAP@0.5的种子间标准差约为0.002–0.009，mAP@0.5:0.95的标准差约为0.004，与表2中若干"Δ vs. RGB"差异（如GGGau的+0.003，GGLoG的?0.004）相当或更大。测试集上的种子间标准差（mAP@0.5:0.95约为0.004–0.011，mAP@0.5约为0.004–0.008）同样与配置间差异相当。GGG的平均mAP@0.5和mAP@0.5:0.95略高于RGB（禁用HSV），但在运行间噪声范围内，GGGau相对两者均未表现出一致优势。这些结果表明，低于约0.01 mAP@0.5的单次运行差异不应被解释为某一配置可靠优于另一配置的确切证据。
**五、讨论与结论**
本研究探索了通过结构图像表示重构RGB输入通道以提高YOLOv8平菇检测鲁棒性的可能性。与直接使用RGB图像的传统目标检测流程不同，所提出的方法将原始颜色通道替换为灰度强度、梯度幅度和互补结构信息。实验结果表明，在随机图像级划分下，RGB基线、灰度复制消融对照和结构感知表示之间的差异较小，且消融实验表明灰度转换——即去除对原始色调和饱和度的依赖——是导致所观察到效应的主要因素，而Sobel梯度通道和基于滤波器的第三通道（高斯、LoG）并未在聚合检测指标上提供超出灰度转换的额外可测量收益。按时间顺序留出验证显示所有配置均出现大幅性能下降，确认了随机划分会高估泛化性能。跨架构检查进一步表明该策略的效应不能迁移至RT-DETR。所提出方法具有实践上的简便性：预处理操作依赖经典的非学习滤波器，离线完成，无需修改YOLOv8架构、损失函数或优化过程。但研究人员未测量预处理延迟、内存占用或嵌入式硬件上的吞吐量，因此未对部署场景做出效率论断。
研究结论如下：研究人员将颜色无关的通道重建作为一种简单、输入级的预处理策略，值得在YOLOv8系列检测器上进一步研究，但同时搁置了关于已证实的计算效率、架构独立性和几何特征学习机制等更强的论断，有待于额外证据（包括GGCanny和GGGabor在修正协议下的重新评估、多设施多相机数据集的验证、特征可视化或受控损坏测试、以及嵌入式平台上的预处理成本量化）作为必要的未来工作；RT-DETR的比较结果表明，该策略的益处不应被假定为可推广至不同的检测器架构。
