《Smart Agricultural Technology》：CES-YOLO: An efficient fallen fragrant pear detection and counting algorithm in complex post-disaster orchard environment
编辑推荐：
针对灾后果园中落果目标小、颜色与叶片相似且易受地面杂物遮挡等难题，本研究基于YOLOv8s模型提出CES-YOLO算法。通过CAS-ViT主干网络增强全局特征感知能力，引入EMA注意力机制提升重叠目标特征区分度，采用SIoU损失函数优化定位精度。实验表明模型在冰雹灾害数据集上mAP@0.5达93.9%，在风灾数据集上迁移性能达95.5%，为农业保险灾损评估提供了可靠的技术支撑。
新疆库尔勒作为中国最大的香梨种植基地，近年来随着种植面积的不断扩大和自然灾害频发，冰雹、大风等灾害严重威胁着香梨的产量和果农收入。在农业保险理赔过程中，快速准确地获取灾后果园落果数量和分布数据，成为保险机构和农民的迫切需求。传统的人工勘查方式不仅耗时耗力，还容易受主观因素影响，难以实现大规模果园的精准评估。随着无人机遥感技术的发展，基于无人机影像的作物监测为灾后损失评估提供了新的技术途径。然而，在复杂的自然环境中，落果目标尺寸小、分布密集、与叶片颜色相似且易被杂草遮挡，给自动检测与计数带来了巨大挑战。针对这一问题，西北农林科技大学研究团队在《Smart Agricultural Technology》发表论文，提出了名为CES-YOLO的创新算法，为实现高效准确的落香梨检测与计数提供了解决方案。
研究人员基于YOLOv8s模型进行了三方面改进：采用CAS-ViT（Convolutional Additive Self-attention Vision Transformer）作为主干特征提取网络，增强模型对全局信息的感知能力；在检测头前嵌入EMA（Efficient Multiscale Attention）注意力机制，通过通道-空间双重加权提升对遮挡目标的关注度；引入SIoU（Shape Intersection over Union）损失函数优化边界框回归精度。研究使用大疆Mavic 3M无人机在新疆普惠果园采集冰雹灾害后的落香梨图像，构建包含5852张有效图像的数据集，并通过旋转、翻转、噪声添加等数据增强手段提升模型泛化能力。
3.1. 实验平台与参数设置
实验在Ubuntu 20.04系统下进行，使用NVIDIA A40 GPU，训练批次大小为16，迭代200轮，初始学习率为0.01，采用SGD优化器。评估指标包括精确率（Precision）、召回率（Recall）、mAP@0.5（mean Average Precision at IoU=0.5）和mAP@0.5:0.95（IoU阈值从0.5到0.95的平均mAP）。
3.3. 基准网络模型选择
通过对比YOLOv8系列模型发现，YOLOv8s在保持较小模型规模（24.2 GFLOPs）的同时，实现了93.4%的mAP@0.5和58.7%的mAP@0.5:0.95，在精度与效率间取得最佳平衡，因此被选为基准模型。
3.4. 消融实验
消融实验结果表明，逐步添加改进模块能持续提升模型性能：单独使用CAS-ViT主干网络使mAP@0.5提高0.3%；结合SIoU损失函数后，精确率提升至89.3%；最终加入EMA模块的完整CES-YOLO模型达到93.9%的mAP@0.5、89.9%的精确率和86.4%的召回率，较基准模型分别提升0.5%、2.5%和1.1%。同时，计算复杂度降低22.7%，推理速度达85.4帧/秒。Grad-CAM热力图可视化显示，CES-YOLO能更准确聚焦香梨目标区域，减少背景干扰。
3.5. 不同模型性能对比
与Faster R-CNN、SSD、YOLOv5s、YOLOv9等主流模型相比，CES-YOLO在精确率、召回率和mAP@0.5上均表现最优，特别是在复杂场景（如光线变化、杂草遮挡、果实重叠）中展现更强鲁棒性。雷达图分析显示CES-YOLO在各评估指标上覆盖面积最大，综合性能最为均衡。
3.6. 泛化能力实验
在风灾落香梨数据集上的跨灾害验证表明，CES-YOLO迁移后mAP@0.5达95.5%，较YOLOv8s提升0.7%，证实模型具有良好的泛化能力。
该研究通过多技术融合有效解决了复杂环境下小目标落果检测难题。CAS-ViT主干网络通过自注意力机制建立全局特征依赖关系，克服了传统卷积的局部感受野限制；EMA注意力机制通过并行子网络聚合多尺度空间信息，增强了对重叠目标的特征区分能力；SIoU损失函数通过考虑预测框与真实框之间的方向差异，提高了定位精度和收敛速度。研究表明，CES-YOLO模型不仅适用于冰雹灾害后的落果检测，在风灾场景下同样表现出色，为农业保险的精准定损提供了技术支撑。未来工作将聚焦于模型轻量化部署和多灾害类型数据集的扩充，以进一步提升算法的实用性和普适性。
