SDE-DET：用于复杂果园环境下石榴检测的精度网络
计算机视觉与模式识别
2025-09-25 v1 人工智能
摘要
石榴检测是其定位、自动机器人采收和成熟度分析的 essential 过程。然而，在复杂果园环境中检测 Shatian 石榴面临着显著挑战，包括多尺度问题、树干和叶子遮挡、小目标检测等。为解决这些问题，本研究构建了一个自定义数据集 STP-AgriData，并提出了用于石榴检测的 SDE-DET 模型。SDE-DET 首先利用 Star Block 在不增加计算开销的前提下有效获取高维信息。此外，所提出的模型在其 backbone 中采用可变形注意力 (Deformable Attention)，以增强其在遮挡条件下检测石榴的能力。最后，集成了多个高效多尺度注意力机制到我们的模型中，以减少计算开销并提取深层视觉表征，从而提高小目标检测能力。在实验中，我们将 SDE-DET 与 Yolo 系列以及其他主流检测模型进行了在 Shatian 石榴检测中的比较。所提出的 SDE-DET 模型在 Precision、Recall、[email protected]、[email protected]:0.95 和 F1-score 上分别取得了 0.883、0.771、0.838、0.497 和 0.823 的分数。SDE-DET 在 STP-AgriData 数据集上实现了 state-of-the-art 性能。实验表明，SDE-DET 提供了一种可靠的方法用于 Shatian 石榴检测，为进一步发展自动采收机器人奠定了基础。
引用
@article{arxiv.2509.19990,
title = {SDE-DET: A Precision Network for Shatian Pomelo Detection in Complex Orchard Environments},
author = {Yihao Hu and Pan Wang and Xiaodong Bai and Shijie Cai and Hang Wang and Huazhong Liu and Aiping Yang and Xiangxiang Li and Meiping Ding and Hongyan Liu and Jianguo Yao},
journal= {arXiv preprint arXiv:2509.19990},
year = {2025}
}