近日，中國農(nóng)業(yè)科學(xué)院深圳農(nóng)業(yè)基因組研究所（嶺南現(xiàn)代農(nóng)業(yè)科學(xué)與技術(shù)廣東省實驗室深圳分中心）潘瑋華課題組聯(lián)合太原理工大學(xué)李東喜課題組在《植物方法 (Plant Methods)》上發(fā)表了題為 “Melon ripeness detection by an improved object detection algorithm for resource constrained environments” 的論文,。該研究構(gòu)建了一個基于成熟度的甜瓜表型數(shù)據(jù)集并提出了一種輕量化的,、適用于資源有限場景下的甜瓜成熟度檢測算法,，為甜瓜以及其它水果的成熟度檢測提供了有價值的數(shù)據(jù),、技術(shù)見解和參考,。

成熟度是對水果質(zhì)量有重大影響的表型,，是栽培和收獲過程中的關(guān)鍵因素,。適當(dāng)?shù)氖斋@成熟度可以確保最佳的甜味,、營養(yǎng)價值以及貨架期,。然而，人工通過經(jīng)驗判斷成熟度的方法存在著耗時費力,，主觀性強的問題,。實驗分析果實成熟度的方法成本高昂且難以在大田環(huán)境中開展。

在本研究中,，研究人員采集了3806張不同生長階段甜瓜的高清彩色圖像用于構(gòu)建數(shù)據(jù)集,，包含了大田環(huán)境中遇到的常見復(fù)雜情況，如遮擋,、重疊和不同的光照強度,。

圖1 | 實地數(shù)據(jù)收集

研究人員基于改進的深度學(xué)習(xí)算法，提出了一種目標(biāo)檢測模型MRD-YOLO,。該模型結(jié)合了領(lǐng)域內(nèi)先進的輕量級主干網(wǎng)絡(luò),、設(shè)計范式以及注意力機制,。利用MobileNetV3作為主干網(wǎng)絡(luò)，在計算受限的環(huán)境中減小了模型大小并提高了其推理效率,。Slim-neck設(shè)計范式的集成進一步優(yōu)化了模型,，確保了檢測精度，同時最大限度地減少了參數(shù)量和計算量,。此外,，研究人員引入了協(xié)調(diào)注意力機制，以增強模型在復(fù)雜場景中檢測不同成熟度目標(biāo)的能力,。

圖2 | MRD模型整體框架

MRD-YOLO經(jīng)訓(xùn)練后在測試集上達到了97.4%的檢測準(zhǔn)確率,。在真實現(xiàn)場環(huán)境中的實驗驗證表明，與現(xiàn)有的最先進方法相比,，MRD-YOLO對于遮擋嚴(yán)重以及光照不均勻的目標(biāo)有著更好的適應(yīng)能力,，有效地解決了復(fù)雜自然環(huán)境條件下甜瓜成熟度檢測任務(wù)的挑戰(zhàn)。其輕量級設(shè)計也使其有望部署在各種資源受限的現(xiàn)場設(shè)備中,。

圖3 | 對比實驗檢測結(jié)果,。箭頭指向誤檢，綠色邊界框表示漏檢

模型權(quán)重,、數(shù)據(jù)集以及源代碼可由GitHub（https://github.com/XuebinJing/Melon-Ripeness-Detection）下載,。

基因組所與太原理工大學(xué)聯(lián)培碩士荊雪斌、王元昊分為本文第一作者與第二作者,，基因組所潘瑋華研究員,、太原理工大學(xué)李東喜副教授為本文共同通訊作者。該項目得到了國家自然科學(xué)基金,、深圳市科技計劃,、中國農(nóng)業(yè)科學(xué)院創(chuàng)新計劃以及山西省基礎(chǔ)研究項目的資助。

原文鏈接：https://plantmethods.biomedcentral.com/articles/10.1186/s13007-024-01259-3