功能增强和融合优化的缺陷检测模型用于桑华梅的功能增强和融合优化缺陷检测模型
1Yulin Normal University, Yulin, China.
Frontiers in plant science
|February 16, 2026
概括
这项研究开发了YOLO-CMA,一种先进的水果缺陷检测模型,以精确识别像桑华梅的昆虫损伤等轻微问题. 该模型在最小的计算成本下提供高精度,非常适合农业应用.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确检测水果缺陷对于农业的质量控制至关重要.
- 现有的模型很难识别微妙的缺陷,比如桑华梅上的昆虫损伤.
研究的目的:
- 开发一个精确和高效的模型来检测异常的桑华梅,专注于小缺陷.
- 创建一个专门的数据集,并优化果实质量评估的深度学习模型.
主要方法:
- 构建了一个专门的数据集,包括1万张图像,分为五个类别 (疾病,昆虫损伤,鸟,破裂,正常).
- 采用多种天气模拟数据增强来解决阶级不平衡.
- 开发了基于YOLOv12架构的YOLO-CMA模型,集成C2fCIB和C3k2_Mambaout模块,用于增强小物体检测和特征融合.
主要成果:
- YOLO-CMA模型显著改善了对受昆虫损坏的水果的检测,比起基线YOLOv12.2的基线,mAP50提高了2.7%,精度提高了5.8%.
- 在YOLO变体中,实现了最先进的性能,计算成本最低 (5.9 GFLOPs) 和参数数量最低 (2.43 M).
- 对农产品微小缺陷的检测精度和效率都表现出了卓越的表现.
结论:
- YOLO-CMA模型为检测农产品微妙缺陷提供了强大而高效的解决方案.
- 拟议的模型在现实世界农业质量控制场景中的边缘部署具有显著的优势.
- 这项研究具有实用价值,并有可能在自动化水果检查中得到广泛应用.
