面向真实果园场景下沙田柚检测增强的多策略框架
计算机视觉与模式识别
2026-02-10 v2
摘要
果园中沙田柚的检测对于产量估算与精益生产至关重要,但在理想数据集上调优的模型在实践中常常因设备相关的色调偏移、光照变化、显著的尺度变化以及频繁的遮挡而性能下降。我们提出了 STP-AgriData,一个融合真实果园图像与精选网络图像的多场景数据集,并采用对比度/亮度增强以模拟不稳定的光照条件。为更好地应对尺度与遮挡问题,我们提出了 REAS-Det,其核心是全局选择性可见卷积(Global-Selective Visibility Convolution, GSV-Conv),该卷积在全局语义引导下扩展可见特征空间,同时保持高效的空间聚合,并辅以 C3RFEM、MultiSEAM 与 Soft-NMS 以实现更精细的分离与定位。在 STP-AgriData 上,REAS-Det 取得了 86.5% 的精度、77.2% 的召回率、84.3% 的 [email protected] 以及 53.6% 的 [email protected]:0.95,优于近期多种检测器,并在真实果园环境中提升了鲁棒性。源代码已公开,地址为:https://github.com/Genk641/REAS-Det。
引用
@article{arxiv.2510.09948,
title = {A Multi-Strategy Framework for Enhancing Shatian Pomelo Detection in Real-World Orchards},
author = {Pan Wang and Yihao Hu and Xiaodong Bai and Jingchu Yang and Leyi Zhou and Aiping Yang and Xiangxiang Li and Meiping Ding and Jianguo Yao},
journal= {arXiv preprint arXiv:2510.09948},
year = {2026}
}