基于FPB-DETR的苹果成熟度检测算法

摘要

针对当前苹果成熟度检测在大规模、光照和遮挡等情况时检测精度与效率较低的问题，提出一种基于RT-DETR改进的FPB-DETR检测模型。首先，在主干网络中引入频率自适应膨胀卷积(frequency-adaptive dilated convolution, FADC)模块，通过解决有效感受野与特征带宽的矛盾以及突破固定膨胀率的限制，精准聚焦苹果表面细微颜色渐变区、未成熟斑点及纹理条纹；其次，设计Pola-AIFI(polaformer-attention-based intra-scale feature interaction)模块，解决负值忽略与信息熵过大的问题，抑制目标苹果在不同环境下的干扰；最后，在多尺度融合阶段引入双向特征金字塔网络(bi-directional feature pyramid network, BIFPN)模块，优化特征融合效率与关键信息聚焦能力，抑制成熟度特征传递中的歧义干扰。结果表明：所提FPB-DETR模型的精确度、召回率和均值平均精度分别为92.5%、92.7%和96.8%,相比于原模型分别提升2.0、1.7和1.8个百分点，均优于Faster R-CNN、YOLOv5m、YOLOv8m、YOLOv11m以及YOLOv12m目标检测模型，显著提升了模型检测能力；模型平均检测时间为31 ms,满足对苹果成熟度实时检测的需求。本文将特征提取、注意力机制与多尺度融合结合实现了检测效果的提升，为智能采摘机器人更好的发展提供了参考。

关键词

计算机神经网络 / 目标检测 / 成熟度 / 多尺度融合 / RT-DETR