[1]李刚,陈琳,卢承方,等.CBSYOLO：复杂环境下的轻量化葡萄果实检测算法[J].江苏农业科学,2025,53(13):241-253.
　Li Gang,et al.CBSYOLO：a lightweight grape fruit detection algorithm in complex environments[J].Jiangsu Agricultural Sciences,2025,53(13):241-253.
点击复制

CBSYOLO：复杂环境下的轻量化葡萄果实检测算法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第13期
页码:
241-253
栏目:
农业工程与信息技术
出版日期:
2025-07-05

文章信息/Info

Title:
CBSYOLO：a lightweight grape fruit detection algorithm in complex environments
作者:
李刚; 陈琳; 卢承方; 郜潘栓; 龚程杰
长江大学计算机科学学院，湖北荆州 434000
Author(s):
Li Gang; et al
关键词:
葡萄果实识别; YOLO 11n; 轻量化模型; 目标检测; 深度学习
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对复杂采摘环境中葡萄果实因叶片和枝蔓遮挡、果实分布密集且簇间边界模糊，以及传统检测模型计算量大、不易部署于移动终端等问题。基于YOLO 11n模型，提出一种改进的轻量化葡萄果实检测模型CBS-YOLO。首先，设计了全新的C3k2_Faster_CAA模块，使用FasterBlock模块替换原主干网络中C3k2的Bottleneck模块，以提升模型的计算效率；在此基础上，引入上下文锚点注意力机制，进一步增强模型的上下文特征提取能力。针对葡萄果实因紧密堆叠和复杂背景引发的目标区分困难问题，在颈部网络中融入BiFPN结构，以增强模型对重叠果实及密集分布目标的检测能力，同时有效减少背景干扰。此外，为应对采摘环境中光照变化及叶片遮挡带来的检测难题，在检测头中引入多头注意力机制，构建Detect_SEAM模块，从而更好地捕捉果实区域的关键特征，提升模型在复杂环境下的鲁棒性和检测性能。结果表明，CBS-YOLO在综合性能上均优于主流检测模型，其精确率、召回率、mAP50的全类别均值分别达92.2%、90.3%、94.6%，较基准模型YOLO 11n分别提升2.8、2.1、1.9百分点。同时，模型参数量和浮点运算量分别减少44.7%、36.5%。该模型在保持高精度的同时实现了轻量化效果，为复杂场景下的葡萄果实高效检测提供了有效方案，并为资源有限设备的实际应用提供了技术支持。
Abstract:
-

参考文献/References:

［1］展晓城. 小葡萄撬动大产业［J］. 农家致富，2024(21)：14.
［2］刘柯含，张芮，高彦婷，等. 中国葡萄产业现状分析及其发展对策［J］. 中国果树，2024(7)：132-138.
［3］申艺方，聂超超，赵会娟. 浅析自动控制技术在农业机械中的应用［J］. 南方农机，2023，54(22)：83-85.
［4］Zhang J，Kang N B，Qu Q J，et al. Automatic fruit picking technology：a comprehensive review of research advances［J］. Artificial Intelligence Review，2024，57(3)：54.
［5］Shi M X. Image recognition for fruit-picking robots［J］. Journal of Image Processing Theory and Applications，2023，6(1)：132-139.
［6］乔艳军. 基于深度学习的采摘机器人水果识别定位与采后自动分级技术研究［D］. 天津：天津理工大学，2022：1-137.
［7］Fang X M，Zhu H Y，Li S Y，et al. Round fruit picking system based on machine vision［J］. Journal of Physics：Conference Series，2024，2926(1)：012015.
［8］郭武元. 基于视觉的苹果采摘机器人目标识别算法研究［D］. 柳州：广西科技大学，2023：1-150.
［9］李天华，孙萌，娄伟，等. 采摘机器人分割与识别算法的研究现状［J］. 山东农业科学，2021，53(10)：140-148.
［10］梁敖，代东南，牛思琪，等. 基于改进YOLO v5s的草莓成熟度实时检测算法［J］. 山东农业科学，2024，56(11)：156-163.
［11］李国进，黄晓洁，李修华，等. 采用轻量级网络MobileNet v2的酿酒葡萄检测模型［J］. 农业工程学报，2021，37(17)：168-176，317.
［12］肖张娜，罗陆锋，陈明猷，等. 基于改进YOLO-v4的果园环境下葡萄检测［J］. 智能化农业装备学报(中英文)，2023，4(2)：35-43.
［13］孙俊，吴兆祺，贾忆琳，等. 基于改进YOLO v5s的果园环境葡萄检测［J］. 农业工程学报，2023，39(18)：192-200.
［14］张传栋，亓璐，丁华立. 基于改进YOLO v8n模型的多品种葡萄簇检测方法［J］. 中国农机化学报，2024，45(9)：220-226.
［15］Chen J L，Chen H，Xu F，et al. Real-time detection of mature table grapes using ESP-YOLO network on embedded platforms［J］. Biosystems Engineering，2024，246：122-134.
［16］陈文骏，饶元，王丰仪，等. 葡萄多模态目标检测和语义分割数据集［J］. 中国科学数据，2025，10(1)：89-104.
［17］Wang C Y，Mark Liao H Y，Wu Y H，et al. CSPNet：a new backbone that can enhance learning capability of CNN［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Seattle，WA，USA.IEEE，2020：1571-1580.
［18］Chen J，Kao S，He H，et al. Run，Dont Walk：chasing higher FLOPS for faster neural networks［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver，BC，Canada.IEEE，2023：12021-12031.
［19］Cai X H，Lai Q X，Wang Y W，et al. Poly kernel inception network for remote sensing detection［C］//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，WA，USA.IEEE，2024：27706-27716.
［20］Liu S，Qi L，Qin H F，et al. Path aggregation network for instance segmentation［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，UT，USA.IEEE，2018：8759-8768.
［21］Tan M X，Pang R M，Le Q V. EfficientDet：scalable and efficient object detection［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，WA，USA.IEEE，2020：10778-10787.
［22］Wang Y D，Zhang J，Kan M N，et al. Self-supervised equivariant attention mechanism for weakly supervised semantic segmentation［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，WA，USA.IEEE，2020：12272-12281.
［23］Ouyang D L，He S，Zhang G Z，et al. Efficient multi-scale attention module with cross-spatial learning［C］//ICASSP 2023—2023 IEEE International Conference on Acoustics，Speech and Signal Processing. Rhodes Island，Greece.IEEE，2023：1-5.
［24］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，UT，USA.IEEE，2018：7132-7141.
［25］Yang L X，Zhang R Y，Li L，et al. SimAM：a simple parameter-free attention module for convolutional neural networks［J］. Proceedings of the International Conference on Machine Learning，2021，139：11863-11874.
［26］Li H L，Li J，Wei H B，et al. Slim-neck by GSConv：a better design paradigm of detector architectures for autonomous vehicles［EB/OL］. (2022-06-06)［2025-01-06］. http：//export.arxiv.org/abs/2206.02424v2.
［27］Dai X Y，Chen Y P，Xiao B，et al. Dynamic head：unifying object detection heads with attentions［EB/OL］. (2021-06-15)［2025-01-06］ .https：//arxiv.org/abs/2106.08322v1.
［28］李军，杨飞帆，龚胜，等. 基于视觉的轻量化路面异常检测算法［J/OL］. 吉林大学学报(工学版)：1-9(2024-09-23)［2025-01-06］. https：//doi.org/10.13229/j.cnki.jdxbgxb.20240802.
［29］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6)：1137-1149.
［30］Liu W，Anguelov D，Erhan D，et al. SSD：single shot multibox detector［J］. European Conference on Computer Vision，2016：21-37.
［31］Selvaraju R R，Cogswell M，Das A，et al. Grad-CAM：visual explanations from deep networks via gradient-based localization［C］//2017 IEEE International Conference on Computer Vision. Venice，Italy.IEEE，2017：618-626.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2025-01-06
基金项目：国家科技重大专项(编号：2021DJ1006)；中国高校产学研创新基金(编号：2020ITA03012、2023IT269)。
作者简介：李刚(1998—)，男，河南驻马店人，硕士研究生，主要从事计算机视觉与目标检测研究。E-mail：17633826560@qq.com。
通信作者：陈琳，博士，教授，主要从事深度学习与人工智能研究。E-mail：chenlin@yangtzeu.edu.cn。
更新日期/Last Update: 2025-07-05