基于改进YOLOv7—tiny轻量化模型的复杂环境下柑橘果实识别方法

来源：中国农机化学报杂志2025年第9期北京时间：

作者：靳怡婷, 李俊萩, 张晴晖,

单位：（1. 西南林业大学大数据与智能工程学院，昆明市，650224；2. 西南林业大学森林生态大数据国家林业和草原局重点实验室，昆明市，650224）

摘要：果实检测是实现果实自动采摘的前期研究，在农业现代化领域中具有重要的研究意义。实际应用中对果实检测的实时性和精确度有较高要求，但又受嵌入式设备的算力及存储容量限制，因此，检测算法的研究需兼顾轻量化、实时性、精确度等方面。以柑橘为研究对象，提出一种基于YOLOv7—tiny改进的轻量化模型。该模型采用轻量化卷积运算PConv，减少模型参数量和计算量的同时保证模型预测效果。针对自然环境下柑橘自然生长导致形态各异、叶片以及果实之间相互遮挡、光照条件不同等情况，引入双向特征金字塔网络BiFPN，捕捉柑橘果实不同尺度的特征信息，提升网络模型对于小目标物体的检测能力，从而实现对距离较远的小柑橘果实的高效检测；通过使用上采样算子CARAFE，更有效地保留和传递图像中的细节和语义信息，从而提高光线较弱以及有遮挡的情况下柑橘果实检测准确率；选取meta—ACON自适应激活函数，从而增强多种视觉场景下网络模型的自适应特征能力。试验表明，改进后的模型相比于原始模型，减少391 104个参数，模型占用内存和计算量分别下降6.5％、6.0％，检测速度提升约33％。同时，精确率和召回率分别由95.1%、95.3％提升至97.3%、97.1％，mAP@0.5和mAP@0.5∶0.95分别由97.8％、77.5％提升至99.0％、79.3％。将改进前后的模型分别部署到Jestson Nano移动端开发板上，实际测试表明，改进后的模型检测帧率为18.38帧/s，比原模型提升约12.9％。改进后的模型在降低参数量和计算量、加快推理速度的同时，仍保证较高的检测精度，为农业机器人的智能化发展提供参考。

关键词：柑橘检测,果实识别,轻量化模型,移动端部署,复杂环境

基金资助：云南省科技厅农业基础研究联合专项项目（202301BD070001—127）；森林生态大数据国家林业和草原局重点实验室重点项目（2022—BDK—05）