《Journal of Stored Products Research》：A lightweight vision based method for pre storage potato sorting in an automatic grading system
编辑推荐：
轻量级Transformer目标检测模型WTDE-DETR通过小波变换增强特征网络和自适应特征融合模块，显著提升近场复杂环境下的土豆分拣精度与实时性，测试集mAP达95.0%，参数减少25.6%，嵌入式平台实现20 FPS推理。
作者：吕丹阳、程梦迪、赵昂、杨冉冰、潘永飞、吕世婷、张健、王涛
单位：海南大学信息与通信工程学院，海口市，570228，中国
摘要
在储存之前，需要对土豆进行精确的分类。然而，为室内环境设计的传统系统在应用于复杂的采后条件下时，其准确性和鲁棒性有限。为了解决这个问题，本文提出了一种轻量级的端到端物体检测模型，称为WTDE-DETR。该模型基于实时检测变换器（RT-DETR）框架，并结合了小波变换增强特征网络（WTFNet）来加强多尺度表示和频域特征建模。在特征交互阶段，引入了自适应交互特征集成与动态混合层（AIFI-DML）模块，以实现全局注意力和自适应局部纹理建模的协同优化。此外，在跨尺度融合阶段设计了解耦自适应特征块（DAFB），以增强多尺度特征表示能力。实验结果表明，WTDE-DETR在测试集上的mAP@0.5准确率达到了95.0%，相比基线模型提高了约2.6个百分点。同时，模型参数减少了25.6%，计算成本降至40.5 GFLOPs，显著降低了模型复杂性，同时保持了高检测精度。在嵌入式平台上，该模型能够以20 FPS的速度实现实时推理。现场实验进一步表明，在早晨、中午和晚上的自然光照条件下，以及在不同输送速度范围内，整体分类合格率始终超过93.5%。这些结果验证了WTDE-DETR在采后复杂动态近场分类场景中的稳定性、鲁棒性和工程适用性。
引言
土豆是全球种植和消费最广泛的主食作物之一，在食品安全、农业工业加工和牲畜饲料生产系统中发挥着关键作用（Huang等人，2025；Hao等人，2026）。近年来，农业机械化技术的持续进步大大提高了土豆的收获效率和规模。然而，收获能力的快速增加也加剧了采后处理的操作负担，使得分级和杂质去除成为影响整体生产效率和产品质量的关键瓶颈（Wang等人，2023）。在实际生产场景中，收获的土豆常常混有大量的土块、石头和残留的植物材料（Bulgakov等人，2020；Wu等人，2021）。如果不能及时进行有效的分级和杂质去除，储存安全可能会受到威胁，加工一致性可能会下降，采后损失也可能增加。然而，当前的分类工作流程和技术框架落后于收获机械的快速发展。
目前，土豆分类作业主要在室内分类车间或加工线上进行，严重依赖人工劳动或半自动化设备（Sun等人，2017）。尽管室内环境提供了相对稳定的光照和背景条件，但这种操作模式与高劳动强度、劳动力成本上升以及难以确保一致的分类结果相关。更重要的是，室内分类在时间和空间上往往与大规模机械化收获脱节，难以满足集中收获条件下的连续操作和前置分类要求（Liu等人，2025）。因此，分类阶段经常成为制约整体生产节奏的关键瓶颈。
在这种背景下，将分类作业推进到采后 immediatelly 的近场环境，以便进行初步分级和杂质去除，已被认为是提高采后效率和减少整体损失的有效方法。然而，与室内条件相比，近场分类面临更加复杂和动态的操作环境。这些环境包括自然光照的剧烈变化、高速且不规则的材料运动，以及土豆与土壤块和石头等外来材料之间的强烈视觉相似性。这些因素导致特征表示不稳定和类别边界模糊，显著增加了自动化检测和识别的难度（Kong等人，2025；Kim等人，2025）。
近年来，机器视觉和深度学习的快速发展为产品的自动化分类提供了新的技术途径（You等人，2023）。基于卷积神经网络（CNN）的物体检测方法在各种水果和蔬菜的质量分级和缺陷检测任务中取得了有希望的性能，包括樱桃（Liu等人，2025）、玉米（Liu等人，2024）和苹果（Liang等人，2022；Wei等人，2023）。在这些方法中，YOLO系列模型因其端到端架构和高推理速度而被广泛采用在农业分类系统中。Xu等人（2024）在红薯检测平台上部署了一个改进的YOLOv8模型，实现了92.7%的平均精度用于基于质量的分类。Yu等人（2024）提出了一种CNN–LSTM模型用于在线番茄检测系统，达到了94.1%的检测精度。
对于土豆分类任务，现有研究探索了使用YOLOv5（Li等人，2025）和YOLOv8（Xu等人，2025）模型来检测外观缺陷和表面损伤，并在实验室或室内输送条件下报告了良好的结果。然而，这些方法通常是在假设稳定的人工照明、简单背景和低干扰输送条件下开发的，这严重限制了它们在复杂近场环境中的泛化能力。在高速连续分类场景中，主要依赖局部特征提取的传统CNN基模型往往难以有效利用全局上下文信息，导致定位不完整、误检测和目标遗漏（Bodla等人，2017；Ali和Zhang，2024）。最近关于复杂动态系统的研究也强调了在高度可变条件下固定局部建模的局限性，这促使采用全局或自适应表示机制（You等人，2025，2026）。
基于Transformer的架构的出现为复杂环境中的物体检测引入了新的范式。DETR（Carion等人，2020）利用自注意力机制来建模整个图像中的全局特征关系，并将物体检测视为一个端到端的集合预测问题。基于这一框架，RT-DETR（Zhao等人，2024）通过高度并行和计算高效的设计策略显著提高了推理效率，同时保持了全局上下文建模能力，使基于Transformer的检测器更适合实时工业应用。
最近，从RT-DETR派生出的变体已在多个室外和半场应用中进行了探索。Huang等人（2025）开发了一种基于RT-DESTR的方法用于梨的收获，报告了98%的平均精度，相对于原始基线提高了1.4%。在另一项研究中，Yi等人（2025）设计了一个结合生成式人工智能技术的训练流程，并提出了GE-DETR模型，在茶叶芽分级任务中实现了91.73%的mAP@0.5准确率。然而，这些研究主要集中在相对稳定的操作环境中，对采后立即发生的动态近场分类条件的系统研究仍然有限。
受这些挑战的启发，本研究针对采后土豆的近场自动分类需求，提出了一种改进的轻量级端到端检测模型WTDE-DETR，以增强在复杂和动态环境下的适应性和鲁棒性。该模型结合了小波变换增强特征网络（WTFNet）、自适应交互特征集成与动态混合层（AIFI-DML）模块和解耦自适应特征块（DAFB），以加强关键语义特征的表示。为了验证所提出的框架，在实际分类平台上进行了全面实验，以评估检测性能、实时能力和工程适用性。
本文的主要贡献总结如下：
1. 基于采后分类过程中收集的数据，建立了一个近场土豆-杂质检测数据集，涵盖了高速材料运动和光照波动等挑战性条件。2. 开发了一种高效的端到端检测框架WTDE-DETR，其中整合了WTFNet、AIFI-DML和DAFB，以改进语义特征提取并在复杂操作环境下增强鲁棒性。3. 将所提出的模型部署在自主研发的自动分类系统中，并通过实际操作场景中的现场实验对其检测性能进行了系统评估。部分摘录
整体框架
本研究的整体框架如图1所示，包括三个主要阶段：图像采集和数据集构建、识别模型开发以及性能比较和验证。
自动分类系统的结构和工作原理
本研究中的所有数据采集、模型部署和实验验证都是使用海南大学智能农业机械团队自主研发的土豆自动分类系统进行的。图2展示了
改进前后的实验结果
模型训练后，将提出的WTDE-DETR和原始的RT-DETR在相同的验证集上进行了评估。如图8所示，P、R和mAP@0.5曲线呈现出稳定的上升趋势，并随着训练的进行而稳定，表明两种模型都可靠地收敛。在整个训练过程中，WTDE-DETR的验证性能始终优于RT-DETR，突显了所提出的架构改进带来的性能提升。
讨论
本研究关注采前近场土豆分类中遇到的实际困难，包括不稳定的光照、快速的材料输送以及土豆与伴随杂质之间的强烈视觉相似性。通过对RT-DETR架构进行针对性的改进，所提出的WTDE-DETR通过广泛的实验验证展示了优越的检测可靠性和实时能力。尽管有这些改进，仍然存在一些问题
结论
针对采前近场自动土豆分类中遇到的复杂操作条件，包括显著的光照变化、高速材料运动和强烈的杂质干扰，本研究提出了一种改进的轻量级端到端物体检测模型WTDE-DETR，并进行了全面的系统验证。实验结果表明，该模型在测试集上的mAP@0.5准确率为95.0%，表明了性能的提升
CRediT作者贡献声明
吕丹阳：撰写——原始草稿，软件开发，形式分析，概念化。
程梦迪：方法论，调查。
赵昂：资源获取，数据管理。
杨冉冰：撰写——审稿与编辑，项目管理，资金获取。
潘永飞：验证，数据管理。
吕世婷：资源协调。
张健：撰写——审稿与编辑。
王涛：可视化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（32272003）、国家现代农业产业技术体系项目（CARS-09-P32）和海南省研究生创新研究项目（Hyb2025-19）的支持。
