农业机械学报

作者：冯国富，曹伊炀，吴开军，陈明

单位：上海海洋大学;农业农村部渔业信息重点实验室,上海海洋大学;农业农村部渔业信息重点实验室,上海海洋大学;农业农村部渔业信息重点实验室,上海海洋大学;农业农村部渔业信息重点实验室,

关键词：赣南脐橙;目标检测;近色背景;Grid R-CNN;图像识别

基金：临港专项（SH-LG-GK-2020-02-19）

为实现对大型果园中果实生长状况的有效监测，针对赣南脐橙生长过程中在近色背景下受光线影响难以识别的问题，本文提出了一种基于改进网格点回归机制的检测算法 Grid R-CNN ScN (Similar-color network)。该算法在 Grid R-CNN 网格点回归机制基础上引入恒等循环神经网络(Identity recurrent neural network, IRNN)模块增加上下文信息，以迭代优化目标识别结果；在 RMSProp 优化策略中加入 CosineAnnealingLR 调度器，克服梯度爆炸导致的特征学习不充分问题；采用非极大值抑制 (Non-maximum suppression, Soft-NMS) 算法提高近色背景下赣南脐橙果实的召回率；结合跨图像采样(Cross-image sampling, CIS)策略增强模型在近色背景下的泛化能力。试验结果表明，Grid R-CNN ScN与Faster R-CNN、Grid R-CNN相比，召回率分别提高4.73、3.67个百分点，mAP@50提高11.78、9.27个百分点，模型文件存储占用量减少4.29MB和5.07MB，显存占用量仅为原模型的60%；与DETR、Swin Transformer相比，召回率分别提高4.19、3.84个百分点，mAP@50和mAP@50-95分别提高8.05、6.22个百分点和8.60、4.97个百分点，模型文件存储占用量减少9.67MB和2.83MB，显存占用量仅为原模型的44%；与YOLO v8和YOLO v11相比，召回率分别提高2.15、3.09个百分点，mAP@50和mAP@50-95分别提高5.38、6.25个百分点和2.55、3.07个百分点；跨图像采样策略显著增强了模型泛化能力。试验结果表明，本文提出的改进方法能够显著提高赣南脐橙在近色背景下的识别精度，可为大型果园中果实生长状况监测提供支持。

来源：2025年第9期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第9期