基于CICE-YOLO的温室番茄成熟度检测：一种联合光照校正与动态特征优化的新型方法

《Smart Agricultural Technology》：CICE-YOLO: An improved YOLO-based network for tomato ripeness detection in Greenhouse

为了应对温室环境中光照多变、果实遮挡及成熟度精细判别等难题，研究人员开展了一项主题为“CICE-YOLO: 一种基于改进YOLO网络的温室番茄成熟度检测”的研究。该研究引入了基于CSEC的昼夜一致性光照校正机制，并结合IBiFPN、CHet模块与EIoU损失函数优化特征提取与回归，最终构建的CICE-YOLO模型在自制数据集上mAP50达到85.9%，模型尺寸仅6.2MB，单图推理时间15.1ms，满足了温室自动采收与产量估算对精准、实时检测的需求，为智能温室管理系统提供了关键技术支撑。

　　

想象一下，在现代化的温室里，一串串樱桃番茄挂满枝头，从青涩到红润，等待着被精准识别和适时采收。然而，这个看似简单的任务，对机器人来说却充满挑战。白天阳光的直射与逆光、夜晚补光灯的冷暖色调、果实间的相互遮挡，这些因素交织在一起，让番茄的颜色在相机“眼”中变幻莫测，常常导致“熟果”被误判为“生果”，或者干脆“视而不见”。传统的全局图像增强方法对此束手无策，而追求高精度的复杂模型又往往笨重迟缓，难以部署在资源有限的移动设备上。为了打破这一瓶颈，实现温室番茄全天候、高精度、高效率的成熟度自动检测，一项创新的研究应运而生。

为了应对上述挑战，研究人员在《Smart Agricultural Technology》上发表论文，提出了一种名为CICE-YOLO的高性能检测模型。该研究旨在解决温室番茄成熟度检测中的三个核心难题：复杂光照导致的颜色失真、簇生生长导致的果实遮挡，以及高精度与实时性难以兼得。通过集成光照校正、特征提取、多尺度融合和回归优化四大模块，CICE-YOLO在保持模型轻量化的同时，显著提升了在复杂环境下的检测精度与鲁棒性。

本研究采用了几个关键技术方法：1. 使用Color Shift Estimation-and-Correction (CSEC) 模块进行离线预处理，分别估计并校正过曝和欠曝区域的颜色偏差，生成光照归一化的图像。2. 以YOLOv10n为基线模型，在骨干网络中引入集成了异构卷积(HetConv)和注意力机制(CBAM)的Cross-stage Heterogeneous (CHet)模块，以增强果实特征提取。3. 在颈部网络采用改进的双向特征金字塔网络(Improved Bidirectional Feature Pyramid Network, IBiFPN)，通过可学习的融合权重实现自适应的多尺度特征聚合。4. 在检测头使用Efficient Intersection over Union (EIoU)损失函数，通过解耦宽高误差来优化边界框回归。实验数据采集自北京平谷区京瓦农业科技示范园，包含红、黄两种樱桃番茄品种在白天自然光、夜间补光等多种光照条件下的图像。

研究结果如下：

3.1. 昼夜一致性光照校正对番茄成熟度检测的影响

实验表明，无论是基线模型YOLOv10n还是提出的CICE-YOLO，在使用经过CSEC模块校正后的数据集（illumination-corrected-dataset1）进行训练后，所有评估指标（Precision, Recall, mAP₅₀, F1）均 consistently 优于使用原始未校正数据集训练的结果。CICE-YOLO在矫正后数据集上取得了最佳性能（mAP₅₀=85.9%），证明了光照校正能为模型提供更稳定、判别性更强的输入特征，有效提升了成熟度识别的准确性与稳定性。

3.2. 对比实验

CICE-YOLO与主流目标检测模型（YOLOv10s, YOLOv8n, YOLOv8s, SSD）在光照校正数据集上进行了比较。CICE-YOLO在精度（P=84.2%）和平均精度（mAP₅₀=85.9%）上均优于所有对比模型，同时模型大小仅为6.2MB，与最轻量的YOLOv8n相当，远小于其他较大模型，在精度与效率间取得了良好平衡。

3.3. 消融实验

通过系统性地添加IBiFPN、CHet和EIoU模块，验证了各改进点的贡献。单独使用IBiFPN能带来最稳定的整体性能提升（mAP₅₀+3.0%）。IBiFPN与CHet结合能进一步提升性能。当三个模块共同作用时，模型达到最优，mAP₅₀相比基线提升了4.2个百分点，同时模型参数量（2.58M）和计算量（GFLOPs=7.5）均低于基线，虽然单图推理时间增至15.1ms，但仍满足实时性要求。

3.4. 模型鲁棒性验证实验

在黄色樱桃番茄数据集（dataset2）上的测试表明，CICE-YOLO同样表现出色。在光照校正后，其mAP₅₀达到76.3%，相比基线YOLOv10n在未校正数据上的59.2%有显著提升。这证明了模型对不同品种番茄的成熟度特征具有良好的泛化能力。

3.5. 混淆矩阵与可视化分析

归一化混淆矩阵显示，模型对三个成熟度阶段（绿、粉、红）均有较高的识别准确率，其中绿色番茄识别最准。部分粉色与红色番茄之间存在误判，反映了成熟过渡期的颜色连续性。可视化结果进一步证实，在白天遮挡、夜间照明等复杂场景下，CICE-YOLO相比基线模型能更准确地检测出被遮挡果实，并给出更一致的成熟度估计，减少了误检和漏检。

结论与讨论：

本研究成功构建了CICE-YOLO模型，为温室番茄的精准、实时成熟度检测提供了一套有效的解决方案。核心结论是：通过CSEC模块实现光照归一化，结合IBiFPN增强多尺度特征融合，利用CHet模块提升特征判别力，并采用EIoU损失优化定位，这些改进协同工作，使得模型在应对光照变化、果实遮挡和尺度差异等挑战时表现出了卓越的鲁棒性和准确性。

研究的重要意义体现在三个方面：首先，在方法学上，它提出了一种“光照校正-特征增强-高效检测”的联合设计范式，而非孤立地改进单个组件，这对于复杂农业视觉任务具有启发意义。其次，在性能上，CICE-YOLO在保持轻量级（6.2MB）和实时性（15.1ms/图）的同时，实现了mAP₅₀达到85.9%的高精度，为在资源受限的农业边缘设备（如采摘机器人、移动监测平台）上部署提供了可能。最后，在应用层面，该模型对不同光照条件和番茄品种（红、黄）均表现出良好的适应性，增强了其在多样化温室生产环境中的实用价值。

当然，研究也存在一些局限，例如数据集主要来自单一温室，可能影响跨环境泛化能力评估；目前仅测试了红、黄两个品种；且CSEC模块是离线预处理，未与检测网络进行端到端联合优化与实时性评估。未来的工作可以围绕扩展多环境、多品种数据集，以及探索CSEC的在线集成与模型进一步轻量化加速展开。

总而言之，这项由 Ming Lu、Ricardo da Silva Torres、Fanjia Meng、Xin Wang 完成的研究，通过精巧的算法设计，显著推进了温室环境下果实自动检测技术的实用化进程，为智慧农业的精准感知与自动化作业提供了有力的技术工具。