基于改进YOLO算法的石榴生长期检测.pdfVIP

摘要

在农业领域，石榴作为一种经济价值高且广泛种植的水果，其生长期的准确检测有

助于精确管理农作物生长周期，直接关系到产量和品质，进而影响农业经济效益。随着

计算机视觉技术和深度学习方法的发展，为农业中的应用提供了一种新的可能性，尤其

是在精确检测和管理作物生长方面。然而，现有的研究大多集中在单一简单环境下的果

蔬检测，对于光线不足、遮挡严重、雨天和夜间等复杂场景的研究较少。此外，大多数

研究仅关注果蔬的成熟度检测，缺乏从现蕾到成熟全周期的系统性研究。这些局限性成

为了实现高效、低成本农业管理的重大挑战。本研究旨在通过深度学习方法和计算机视

觉技术，开发一套高效的石榴生长期检测系统，以应对上述挑战。

本研究的主要贡献包括以下几个方面：

（1）构建了石榴生长期图像数据集，总计10331张图像。基础数据集包含5857张

白天场景图像，后续增加了夜间和雨天场景。该数据集是首次公开的石榴专用图像库，

为后续研究提供了宝贵资源。

（2）基于YOLOv5s模型提出YOLO-Granada模型及其轻量级卷积策略：其一，采

用了基于Shuffle（混洗）模块的创新骨干网络层提升策略，通过优化特征通道的混洗操

作，有效减少了模型复杂度。其二，引入了基于轻量化卷积块注意力机制提升策略的

Attentioned-ShuffleNet骨干网络层，增强了网络对重要特征的识别能力，从而提升了模

型检测的准确性。实验结果显示，YOLO-Granada模型的mAP达到0.922，几乎与

YOLOv5s模型的0.929相当，但Params、GFLOPs分别下降了45.3%和48.7%，Model

size为7.74MB，仅为原始模型体积的56.3%，FPS提高了19.9%，达到了8.66f/s。

（3）基于YOLOv8n模型提出YOLO-Fruit模型及其轻量级卷积策略：其一，融入

了新颖的SDWConv（SeparableDepthwiseConvolution，可分离深度卷积）模块以模拟

SConv（SeparableConvolution，可分离卷积）模块的输出，并降低计算成本；其二，通

过融合OSA（One-ShotAggregation，一次性聚合）机制，提出了另一个新颖的OSA-

SDWConv聚合模块，进一步提升了模型的检测速度。实验结果显示，YOLO-Fruit模型

的准确性显著提高，与原始的YOLOv8n模型相比，其mAP提高了5.0%，达到0.970，

并且Params、GFLOPs分别下降了16.7%和25.9%，Modelsize仅有5.04MB，FPS也达

到了12.27f/s。

（4）开发了一个基于Android平台的实时石榴检测应用程序，使用NCNN框架部

署。这一实用工具不仅证实了所提模型的有效性，还为农业从业者提供了一个强大的实

地监测工具，有助于实现农业生产的智能化和自动化。

关键词：深度学习，农业，石榴生长期，轻量级卷积网络，YOLO-Fruit模型

Abstract

Inthefieldofagriculture,pomegranate,asafruitwithhigheconomicvalueandwidelyplanted,the

accuratedetectionofitsgrowthperiodhelpstopreciselymanagethecropgrowthcycle,whichisdirectly

relatedtotheyieldandquality,andthusaffectstheeconomicbenefitsofagriculture.Withthedevelopment

ofcomputervisiontechnologyanddeeplearningmethods,itprovidesanewpossibilityforapplicationsin

agriculture,especiallyinaccuratedetectionandmanagementofc