现代目标检测器在orchard imagery 中鲁棒苹果检测的比较研究

准确检测orchard图像中的苹果对于产量预测、果实计数、机器人采摘和作物监测至关重要。然而，照明变化、叶片杂质、密集果簇以及部分遮挡使得检测困难。为提供公平且可复现的比较，本研究在公开的AppleBBCH81数据集上建立了一个受控基准，使用确定性的训练、验证和测试划分，并在六种代表性检测器上采用统一的评估协议：YOLOv10n、YOLO11n、RT-DETR-L、Faster R-CNN（ResNet50-FPN）、FCOS（ResNet50-FPN）和SSDLite320（MobileNetV3-Large）。主要使用COCO风格的[email protected]和[email protected]:0.95进行评估，并进一步使用精确-召回曲线和固定阈值的精确率、召回率和F1分数（IoU=0.5）进行阈值依赖性分析。在验证集上，YOLO11n以[email protected]:0.95=0.6065和[email protected]=0.9620实现了最佳严格定位性能，紧随其后的是RT-DETR-L和YOLOv10n。在以置信度≥0.05为固定 operating point的情况下，YOLOv10n取得了最高的F1分数，而RT-DETR-L实现了非常高的召回率，但由于低置信度处的误报较多，精度较低。这些发现表明，针对orchard部署的检测器选择不仅应以定位感知的准确性为导向，还应考虑阈值鲁棒性以及下游任务的需求。