文献类型： 中文期刊

作者： 司 超国 ¹ ; 刘 梦晨 ² ; 吴 华瑞 ³ ; 缪 祎晟 ³ ; 赵 春江 ⁴ ;

作者机构： 1.上海海洋大学信息学院/国家农业信息化工程技术研究中心

2.国家农业信息化工程技术研究中心/北京信息科技大学自动化学院

3.国家农业信息化工程技术研究中心/农业农村部数字乡村技术重点实验室

4.国家农业信息化工程技术研究中心

关键词： YOLOv10;露地辣椒;成熟度;SOCA;Ghost

期刊名称：

ISSN： 2096-8094

年卷期： 2025 年 7 卷 2 期

页码： 160-171

摘要： 【目的/意义】为确定露地辣椒的最佳采摘时机和实现智能分拣。针对现有目标检测模型在辣椒成熟度检测任务中的效率低和准确率不高问题，提出了一种目标检测算法Chilli-YOLO，旨在快速、准确地检测辣椒果实的成熟度，以实现大田辣椒的智能化采摘及成熟度检测。【方法】以复杂背景下的露地辣椒为研究对象，将辣椒分为未熟期、过渡期、成熟期和干辣椒四个成熟度等级。在此基础上，对YOLOv10s（You Only Look Once version 10 small）进行了优化改进。首先，使用Ghost卷积优化主干网络，将普通卷积替换为GhostConv，并用C2f_Ghost代替C2f，以减少计算冗余。其次，将PSA（Partial Self-Attention）模块替换为SOCA（Second-Order Channel Attention）注意力机制，引入高阶特征相关性，捕捉辣椒细粒度特征。最后，通过引入XIoU（Extended intersection over union）损失函数来增强模型的定位精度，提升模型的准确性。【结果和讨论】在自建的辣椒成熟度检测数据集上进行的实验表明，Chilli-YOLO在计算量、参数量和模型大小分别达到18.3 GFLOPs、6.37 M和12.6 M的同时，推理时间为7.3 ms。模型的平均精度均值（Mean Average Precision, mAP）、准确率和召回率分别达到了88.9%、90.7%和82.4%，较基线模型分别提升了2.8、2.6和2.8个百分点。此外，实验结果还与目前主流的Faster RCNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）和YOLO系列的多个版本进行了对比，验证了所提出方法的综合性能优于其他算法。【结论】提出的Chilli-YOLO模型能够实现露地辣椒不同成熟度的精准划分，不仅提升了检测精度，还有效降低了模型计算开销。为辣椒的智能化采摘提供了有效的技术参考。