基于VCHS-YOLO的辣椒识别模型研究

来源：江苏农业科学杂志2025年第第5期北京时间：

作者：杨琳琳;皇甫懿;张云建;杨晓刚;李文峰;施杰

单位：1.云南农业大学机电工程学院，云南昆明 650201； 2.云南省作物智慧生产国际联合实验室，云南昆明 650201

摘要：针对辣椒作物在复杂背景中出现漏检、误检及检测速度不够的问题，改进一阶目标检测方法，以提升模型检测的全面性、准确性和速度，进而降低经济损失。通过在YOLO模型中引入VSS模块、CARAFE上采样算子，以扩大模型的全局感受野，并减少参数量，进而提升模型的检测效率；同时，引入小波下采样(HWD)下采样算子，从而减少网络通道中有效信息的丢失。最后，将YOLO模型的检测头替换为RT-DETR模型中的RTDETR解码器，以解码特征图并恢复图像分辨率。使用的数据集为实验室采集的(红辣椒、绿辣椒、泡椒)3类辣椒共4 816幅图组成。针对试验数据集存在的训练样本类别数量不平衡的问题，设计变焦距损失函数(slide varifocal loss)，以提高模型对数量较少样本的关注度，进一步提升模型的检测性能。相比于原始模型，VCHS-YOLO模型的精确率提升7.1百分点，召回率提升了4.7百分点，F1分数提升4.0百分点，平均精度均值mAP0.5提升5.6百分点。VCHS-YOLO 模型针对复杂背景下的小目标检测具有良好的鲁棒性，期待可为深度学习在农作物信息检测中的广泛应用提供技术支撑。

关键词：VCHS-YOLO;Harr小波下采样(HWD);RT-DETR;辣椒识别模型