YOLOKIWI：融合自适应特征的猕猴桃日灼监测模型

《Smart Agricultural Technology》：YOLOKIWI: A Kiwifruit Sunburn Monitoring Model Integrating Adaptive Features

　　

精准预测与高效损失评估是农业保险公司进行灾害理赔核验的关键技术前提。本研究提出了一种改进的YOLOKIWI检测模型。该模型采用YOLOv11n作为基线架构，引入了三种核心改进机制：将YOLOv11n骨干网络中的C3k2层替换为StarBlock，以有效解决猕猴桃果园中叶幕遮挡导致的目标遮挡问题；采用P2超浅层检测扩展YOLOv11n多类别检测头架构，获取高分辨率细节以补偿遮挡造成的边缘模糊，增强浅层特征对局部细节的敏感性，提高模型对不同尺度病灶的鲁棒性；使用EIoU损失替代YOLOv11n的CIoU损失进行边界框回归优化，使模型能够更好地缓解传统损失函数对非方形不规则目标的检测偏差。研究结果表明，YOLOKIWI在自建的猕猴桃日灼数据集上实现了90.9%的平均精度均值（mAP）、94.1%的精确率和89.0%的召回率。其性能优于YOLOv8n、YOLOv9t、YOLOv10n、DETR-ResNet50和Faster R-CNN等主流模型。与基线模型YOLOv11n相比，mAP、召回率和精确率分别提升了3.0%、6.6%和3.4%。研究结果表明，YOLOKIWI在复杂背景下实现了稳定可靠的检测结果，是一种可行的猕猴桃日灼快速损伤评估模型方法。

该研究针对猕猴桃产业受日灼病影响严重及现有检测方法在复杂果园环境下存在的局限性，基于YOLOv11n架构提出了名为YOLOKIWI的改进模型，相关成果发表于《Smart Agricultural Technology》。研究背景源于全球变暖导致的高温强光频发，猕猴桃日灼病成为制约产业发展的瓶颈，而传统图像处理方法泛化性差，现有深度学习模型虽在水果缺陷检测有所应用，却缺乏对猕猴桃日灼这一特定病害的系统研究，且依赖光谱设备难以大规模部署。为此，研究人员构建了基于无人机RGB影像的检测模型，旨在实现复杂田间环境下的高效精准监测。

关键技术方法包括：数据采集于四川邛崃市猕猴桃产区，使用大疆Mavic3m无人机在4米飞行高度获取803张“红阳”品种猕猴桃图像，经Labelme标注后按7:2:1划分数据集并进行马赛克增强等预处理；模型构建以YOLOv11n为基线，引入StarBlock模块替换C3k2卷积单元，嵌入P2超浅层检测分支构建四尺度特征金字塔，并采用EIoU损失函数优化边界框回归；实验平台基于PyTorch框架，在NVIDIA GeForce RTX4070Laptop GPU环境下进行训练与测试，对比了多种主流模型及不同模块组合的性能。

研究结果方面，在不同骨干网络对比中，研究人员将C3k2模块分别替换为StarBlock、DCNv2Module、iRMB和SCConv进行实验。结果显示StarBlock模块在保持较低计算量（5.9 GFLOPs）的同时，取得了87.2%的mAP和89.5%的精确率，显著优于其他模块，证明了其通过星型拓扑结构增强特征提取能力的有效性。在不同检测头对比中，P2模块与DetectLADH、v10Detect、MLCA相比，mAP达到89.5%，召回率为84.0%，精确率为91.4%，凭借高分辨率浅层特征和四级融合机制，在复杂遮挡条件下对小病变的检测优势明显。在不同损失函数对比中，EIoU与MPDIoU、SIoU、WIoU相比，在参数和计算量不变的情况下，召回率较次优的MPDIoU提升0.6%，且预测框与实际病斑形态拟合更紧密。消融研究进一步表明，StarBlock、P2、EIoU三者存在协同效应，单独引入StarBlock或EIoU可能导致精度下降，但与P2结合后，mAP逐步提升至最终的90.9%。在与主流模型对比中，YOLOKIWI在精度上全面超越YOLOv8n、YOLOv9t、YOLOv10n、DETR-ResNet50及Faster R-CNN，且在推理速度（约11 FPS）上满足农业保险理赔场景需求。此外，研究人员还开发了基于B/S架构的智能监测系统，实现了模型权重加载、实时可视化推理及自动统计分析功能。

讨论部分指出，无人机飞行高度显著影响检测精度与效率，4米高度虽精度最高（mAP 90.9%）但覆盖范围有限，12米高度效率最高但精度不足（mAP 63.7%），8米高度可作为折中方案（mAP 81.3%）。模型虽通过StarBlock和P2模块有效应对了枝叶遮挡和小目标检测挑战，但在极端光照、高密度遮挡等极端场景下仍存在误检漏检风险，且数据集单一产区的局限性可能影响泛化能力，未来需结合多源数据及超分辨率等技术进一步优化。研究结论强调，YOLOKIWI模型通过StarBlock模块增强遮挡下的特征聚合能力，通过P2超浅层分支保留小目标细节纹理，通过EIoU损失优化不规则目标定位，最终实现了90.9%的mAP、94.1%的精确率和89.0%的召回率，其配套开发的智能系统实现了从算法理论到工程应用的转化，为农业保险精准查勘定损及果园精细化管理提供了客观高效的技术工具。