近日，中国农业科学院深圳农业基因组研究所（岭南现代农业科学与技术广东省实验室深圳分中心）潘玮华课题组联合太原理工大学李东喜课题组在《植物方法 (Plant Methods)》上发表了题为 “Melon ripeness detection by an improved object detection algorithm for resource constrained environments” 的论文。该研究构建了一个基于成熟度的甜瓜表型数据集并提出了一种轻量化的、适用于资源有限场景下的甜瓜成熟度检测算法，为甜瓜以及其它水果的成熟度检测提供了有价值的数据、技术见解和参考。

成熟度是对水果质量有重大影响的表型，是栽培和收获过程中的关键因素。适当的收获成熟度可以确保最佳的甜味、营养价值以及货架期。然而，人工通过经验判断成熟度的方法存在着耗时费力，主观性强的问题。实验分析果实成熟度的方法成本高昂且难以在大田环境中开展。

在本研究中，研究人员采集了3806张不同生长阶段甜瓜的高清彩色图像用于构建数据集，包含了大田环境中遇到的常见复杂情况，如遮挡、重叠和不同的光照强度。

图1 | 实地数据收集

研究人员基于改进的深度学习算法，提出了一种目标检测模型MRD-YOLO。该模型结合了领域内先进的轻量级主干网络、设计范式以及注意力机制。利用MobileNetV3作为主干网络，在计算受限的环境中减小了模型大小并提高了其推理效率。Slim-neck设计范式的集成进一步优化了模型，确保了检测精度，同时最大限度地减少了参数量和计算量。此外，研究人员引入了协调注意力机制，以增强模型在复杂场景中检测不同成熟度目标的能力。

图2 | MRD模型整体框架

MRD-YOLO经训练后在测试集上达到了97.4%的检测准确率。在真实现场环境中的实验验证表明，与现有的最先进方法相比，MRD-YOLO对于遮挡严重以及光照不均匀的目标有着更好的适应能力，有效地解决了复杂自然环境条件下甜瓜成熟度检测任务的挑战。其轻量级设计也使其有望部署在各种资源受限的现场设备中。

图3 | 对比实验检测结果。箭头指向误检，绿色边界框表示漏检

模型权重、数据集以及源代码可由GitHub（https://github.com/XuebinJing/Melon-Ripeness-Detection）下载。

基因组所与太原理工大学联培硕士荆雪斌、王元昊分为本文第一作者与第二作者，基因组所潘玮华研究员、太原理工大学李东喜副教授为本文共同通讯作者。该项目得到了国家自然科学基金、深圳市科技计划、中国农业科学院创新计划以及山西省基础研究项目的资助。

原文链接：https://plantmethods.biomedcentral.com/articles/10.1186/s13007-024-01259-3