💻 computer science

The Lightweight Cherry Tomato Fruit Maturity Detection Method Based on Improved YOLOv10n

Dieses Paper schlägt YOLOv10n-FBD vor, ein leichtgewichtiges Modell zur Erkennung des Reifegrades von Cherrytomaten, das CCFM-Feature-Fusion, PSA-BiFormer-Attention und eine C2f-Dual-Strategie integriert, um eine hohe Präzision (94,3 % mAP) und Geschwindigkeit (369 FPS) zu erreichen und gleichzeitig die Modellgröße sowie die Rechenkomplexität im Vergleich zu bestehenden Methoden signifikant zu reduzken.

Ursprüngliche Autoren: Ji Cai, Shuaishuai Cui, Baofan Chen, Yuhao Hao, Kun Wang, Guozhu Song

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ji Cai, Shuaishuai Cui, Baofan Chen, Yuhao Hao, Kun Wang, Guozhu Song

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine geschäftige Kirschtomatenfarm vor. Die Landwirte haben einen harten Job: Sie müssen die Tomaten zum exakt richtigen Zeitpunkt pflücken. Wenn sie zu früh pflücken, sind sie sauer; wenn sie zu spät pflücken, verfaulen sie. Dies von Hand zu tun, ist langsam, teuer und beschädigt oft die Frucht.

Dieses Paper stellt ein neues „smartes Kamera-Gehirn“ vor, das dabei helfen soll, Robotern oder Landwirten sofort mitzuteilen, ob eine Kirschtomate Grün (unreif), Rot (reif) oder Rötlich (halbreif) ist. Das Ziel war es, ein System zu bauen, das supergenau, unglaublich schnell und klein genug ist, um auf ein einfaches Gerät wie ein Smartphone oder einen kleinen Roboter zu passen, ohne dass ein massiver Supercomputer benötigt wird.

So haben die Forscher dieses „smarte Gehirn“ gebaut, erklärt durch einfache Analogien:

Der Ausgangspunkt: Das „Basismodell“

Die Forscher begannen mit einem Standard-Hochtechnologie-Erkennungssystem namens YOLOv10n. Stellen Sie sich dies als einen sehr talentierten, aber etwas schweren Detektiv vor. Er ist gut darin, Dinge zu finden, aber er ist ein wenig langsam und verbraucht viel Speicherplatz auf einem Gerät. Das Team wollte diesen Detektiv schneller und leichter machen, ohne seine scharfen Augen zu verlieren.

Die drei Upgrades (Das „Geheimrezept“)

Um ihr neues Modell zu erstellen, das YOLOv10n-FBD genannt wird, gaben sie dem Detektiv drei spezifische Upgrades:

1. Das „Mehransichts-Fernglas“ (CCFM Feature Fusion)

Das Problem: Manchmal sind Tomaten in der Ferne winzig oder hinter Blättern verborgen. Das ursprüngliche Modell könnte kleine Details übersehen oder durch den Hintergrund verwirrt werden.
Die Lösung: Sie fügten ein CCFM-Modul hinzu. Stellen Sie sich vor, Sie geben dem Detektiv ein Fernglas, mit dem er die Szene gleichzeitig durch verschiedene Linsen betrachten kann – eine Linse für Nahaufnahmen (wie die Textur der Haut) und eine andere für das Gesamtbild (wie die Farbe der gesamten Traube).
Das Ergebnis: Durch das Mischen dieser verschiedenen Ansichten erhält das Modell ein viel reicheres Verständnis der Frucht, was es wesentlich besser macht, kleine oder teilweise verborgene Tomaten zu entdecken.

2. Der „Spotlight“ (PSA-BiFormer Attention)

Das Problem: Auf einem Feld gibt es viel Rauschen: grüne Blätter, braune Stiele und helles Sonnenlicht. Das ursprüngliche Modell verschwendet manchmal Energie darauf, die Blätter anzuschauen, anstatt die Früchte.
Die Lösung: Sie ersetzten das alte Aufmerksamkeits-System durch einen BiFormer-Mechanismus. Stellen Sie sich das wie einen smarten Scheinwerfer vor. Anstatt das gesamte Feld gleichmäßig zu scannen, fixiert der Scheinwerfer sofort die roten oder rötlichen Formen (die Tomaten) und ignoriert die grünen Blätter und Stiele. Es ist wie ein Türsteher in einem Club, der nur die VIPs (die Tomaten) durchlässt und alle anderen ignoriert.
Das Ergebnis: Das Modell konzentriert seine Energie genau dort, wo sie benötigt wird, was die Genauigkeit erheblich verbessert.

3. Der „Leichtgewicht-Rucksack“ (C2f-Dual Strategie)

Das Problem: Das ursprüngliche Modell war schwer. Es hatte zu viele „Muskeln“ (Parameter), was es langsam machte und schwierig, es auf kleinen Geräten auszuführen.
Die Lösung: Sie verwendeten eine C2f-Dual-Strategie. Stellen Sie sich vor, der Detektiv trug einen schweren Rucksack voller Werkzeuge, die er nie benutzt. Die Forscher tauschten die schweren Werkzeuge gegen ein schlankes, zweckgebundenes Schweizer Taschenmesser aus. Sie teilten die Arbeit in zwei effiziente Pfade auf: Ein Pfad kümmert sich um die Form (Konturen), und der andere um die Farbe.
Das Ergebnis: Sie reduzierten die Größe des Modells um fast 40 % und machten es in Bezug auf die Daten um 37,5 % leichter, ohne dass es seine Detektiv-Fähigkeiten verlor.

Die Ergebnisse: Ein Superleistungsfähiger Detektiv

Nachdem dieses neue System auf Tausenden von Fotos von Kirschtomaten trainiert wurde, waren die Ergebnisse beeindruckend:

Geschwindigkeit: Es kann 369 Bilder pro Sekunde verarbeiten. Um das einzuordnen: Es ist, als würde man einen Film mit 369 Bildern pro Sekunde ansehen – blitzschnell. Es kann Tomaten in Echtzeit zählen und klassifizieren, während sich ein Roboter durch ein Feld bewegt.
Genauigkeit: Es identifizierte den Reifegrad der Tomaten zu 94,3 % der Zeit korrekt (unter Verwendung eines strengen Standards). Dies ist ein großer Sprung im Vergleich zu älteren Modellen.
Größe: Das gesamte „Gehirn“ ist nur 3,5 MB groß. Das ist kleiner als ein einziges hochwertiges Foto, das Sie mit Ihrem Handy aufnehmen würden, was bedeutet, dass es problemlos auf kleine, günstige Hardware passt.

Die Einschränkungen (Was das Paper zugibt)

Die Autoren sind ehrlich darüber, wo ihr System Schwierigkeiten haben könnte. Da sie sicherstellen wollten, dass ihre Trainingsdaten perfekt sind, haben sie Tomaten ausgeschlossen, die:

Tief hinter Blättern verborgen waren (stark verdeckt).
Sehr weit entfernt oder winzig waren.
Unter extremen Lichtverhältnissen standen (wie blendendes Sonnenlicht oder völlige Dunkelheit).

Sie geben zu, dass, falls ein Roboter dies in einem unordentlichen, realen Obstgarten mit vielen Blättern und seltsamen Winkeln verwendet, er vielleicht ein paar mehr Fehler macht als in ihren kontrollierten Tests. Sie merkten auch an, dass die Kombination aller drei Upgrades das Modell etwas weniger genau beim Erkennen der „halbreifen“ Tomaten machte als die Verwendung von nur zwei der Upgrades, was darauf hindeutet, dass es noch ein wenig Spielraum für Feinabstimmungen gibt.

Zusammenfassung

Kurz gesagt: Die Forscher nahmen ein leistungsstarkes, aber schweres KI-Modell und gaben ihm bessere Brillen (um Details zu sehen), einen smarten Scheinwerfer (um Ablenkungen zu ignorieren) und einen leichten Rucksack (um schnell zu laufen). Das Ergebnis ist ein System, das einem Landwirt sofort sagen kann, ob eine Kirschtomate bereit zum Pflücken ist, und dies schneller und effizienter als bisherige Methoden tut, während es gleichzeitig auf ein kleines Gerät passt.

Technisches Resümee: Die leichte Methode zur Erkennung des Reifegrades von Kirschtomaten basierend auf dem verbesserten YOLOv10n

Problemstellung

Die Erkennung und Identifizierung des Reifegrades von Kirschtomaten steht vor einer kritischen Herausforderung: der gleichzeitigen Balance zwischen hoher Präzision, schneller Erkennungsgeschwindigkeit und einer geringen Modellgröße. Traditionelle Erntemethoden sind arbeitsintensiv und ineffizient, während bestehende intelligente Erntesysteme häufig unter unzureichender Erkennungsgenauigkeit, hohen Ausfallraten und übermäßiger Rechenkomplexität leiden. Große Modellgrößen und hohe Verarbeitungsanforderungen behindern den Einsatz dieser Systeme auf ressourcenbeschränkten Geräten, was ihre praktische Anwendung in realen landwirtschaftlichen Umgebungen einschränkt. Während verschiedene Deep-Learning-Ansätze (z. B. auf MobileNetV3 basierende YOLOv7, DSP-YOLOv7-CA, Swin Transformer Optimierungen) vielversprechende Ergebnisse gezeigt haben, kämpfen viele damit, ein optimales Gleichgewicht zwischen Geschwindigkeit, Genauigkeit und Parameteranzahl zu finden.

Methodik

Diese Studie schlägt eine leichtgewichtige Erkennungsmethode vor, YOLOv10n-FBD, die auf der Basisarchitektur von YOLOv10n aufbaut. Das Modell adressiert die identifizierten Herausforderungen durch drei primäre technische Verbesserungen:

CCFM (Channel Cross Feature Modulation) Feature-Fusion:
Um den Informationsverlust bei der Objekterkennung im kleinen Maßstab zu mildern, der durch begrenzte Pixelzahlen sowie wiederholte Konvolution und Pooling verursacht wird, ersetzten die Autoren die ursprüngliche Feature-Fusion-Komponente durch das CCFM-Modul (adaptiert von RT-DETR). Dieses Modul nutzt eine bidirektionale Feature-Flow-Architektur ähnlich wie PANet, enthält jedoch Fusion-Blöcke. Diese Blöcke verwenden RepBlocks und Attention-Mechanismen, um Multi-Skalen-Feature-Maps ( $S3, S4, S5$ ) aus dem Backbone zu fusionieren. Durch das Abflachen hochgradiger Features und die Anwendung von Multi-Head Self-Attention zur Rekalibrierung der Kanalgewichte verbessert CCFM die Integration von feingliedrigen lokalen Details mit globalen Kontextinformationen und verbessert so die Anpassungsfähigkeit an Skalierungsunterschiede.
PSA-BiFormer Attention-Mechanismus:
Um die hohe Rechenkomplexität und den Speicherbedarf des ursprünglichen Position-Sensitive Attention (PSA) Mechanismus zu überwinden, integriert die Studie den BiFormer Attention-Mechanismus. BiFormer verwendet eine Bi-level Routing Attention (BRA) Strategie. Zuerst wird ein Region-Level Affinity Graph konstruiert und gepruned, um nur die Top- $k$ Verbindungen für jeden Knoten beizubehalten, wodurch irrelevante Regionen herausgefiltert werden. Zweitens wird ein Token-to-Token Attention Mechanismus mittels dichter Matrixmultiplikation auf die gefilterten Key-Value-Paare angewendet. Dieser Ansatz erreicht eine inhaltsbewusste Sparsamkeit (Content-aware Sparsity), die es dem Modell ermöglicht, sich auf kritische Merkmale (z. B. rote Früchte) zu konzentrieren, während Hintergrundinterferenzen (z. B. grüne Blätter) ohne die schweren Rechenkosten einer globalen Attention unterdrückt werden.
C2f-Dual Lightweight Strategie:
Um die Rechenkomplexität und die Modellgröße zu reduzieren, wurde das Standard-C2f-Modul im Backbone unter Verwendung eines DualConv Designs restrukturiert. Diese Strategie teilt die Konvolutionsoperation in zwei parallele Sublayer auf:
- Einen 3×3 Konvolutionszweig, um räumliche Merkmale und Texturdetails zu erfassen.
- Einen 1×1 Konvolutionszweig, um Kanalinteraktionen und semantische Informationen zu integrieren.
  Diese Zweige nutzen Gruppenkonvolution und Fusionsstrategien, um die Parameter und FLOPs signifikant zu reduzieren, während die Integrität des Gradientenflusses durch Residualverbindungen aufrechterhalten wird.

Zentrale Beiträge

Modellarchitektur: Die Konstruktion des YOLOv10n-FBD Modells, welches CCFM, BiFormer und C2f-Dual Strategien erfolgreich integriert, um den Kompromiss zwischen Genauigkeit und Effizienz zu optimieren.
Feature-Optimierung: Die Einführung von CCFM zur Verbesserung der Multi-Skalen-Feature-Repräsentation, was speziell die Erkennung von teilweise verdeckten oder kleinen Kirschtomaten unterstützt.
Effiziente Attention: Die Adaption des BiFormer Mechanismus als Ersatz für die Standard-PSA, was eine effiziente globale Feature-Verarbeitung durch eine Zwei-Level-Routing-Strategie ermöglicht, die redundante Berechnungen reduziert.
Leichtgewichtige Optimierung: Die Implementierung der C2f-Dual Strategie, welche die Modellgröße und die Parameteranzahl signifikant komprimiert, ohne die Detektionsleistung zu beeinträchtigen.

Experimentelle Ergebnisse

Das Modell wurde auf einem Datensatz von 4.046 Kirschtomaten-Bildern trainiert und evaluiert, die aus dem Shanxi Agricultural Valley stammen und in drei Reifegrade kategorisiert wurden: Reif (R), Unreif (G) und Halbreif (RG).

Leistungsmetriken: Das YOLOv10n-FBD Modell erreichte ein mAP@.5:.95 von 94,3%, was eine Verbesserung um 2,2% gegenüber der traditionellen YOLOv10n Baseline darstellt.
Effizienzgewinne:
- Parameteranzahl: Reduziert um 37,5%.
- Modellgröße: Komprimiert auf 3,5 MB, eine Abnahme von 38,6%.
- Rechenaufwand: Reduziert auf 6,0 GFLOPs.
- Inferenzgeschwindigkeit: Erreichte 369,0 FPS auf einer NVIDIA RTX 3090 GPU.
Vergleichende Analyse: Im Vergleich zu gängigen Modellen (Faster R-CNN, SSD, YOLOv5, YOLOv7, YOLOv8 und YOLOv11) zeigte das vorgeschlagene Modell eine überlegene Leistung in mAP@.5:.95 mit Verbesserungen zwischen 2% und 15%. Es zeigte zudem signifikante Reduktionen der Parameter und der Modellgröße im Vergleich zu allen verglichenen YOLO-Varianten.
Ablationsstudien: Experimente bestätigten, dass die Kombination aller drei Module (CCFM + BiFormer + C2f-Dual) zwar zu einer leichten Verringerung des mAP@.5 (97,9%) im Vergleich zur Kombination aus CCFM+BiFormer (98,4%) führte, die strengere mAP@.5:.95 Metrik jedoch stabil bei 94,3% blieb. Dies deutet darauf hin, dass das kombinierte Modell eine bessere Robustheit und Lokalisierungsgenauigkeit unter strengen Evaluierungskriterien bietet.

Bedeutung und Limitationen

Das Paper behauptet, dass das YOLOv10n-FBD Modell erfolgreich ein präzises und effizientes Erkennungsnetzwerk konstruiert hat, das Präzision und Effizienz ausbalanciert und somit für komplexe, variable reale Anwendungsumgebungen und ressourcenbeschränkte Geräte geeignet ist. Das Modell demonstriert eine hohe Robustheit in dynamischen Video-Validierungsszenarien und hält hohe Konfidenzwerte sowie Erkennungsraten aufrecht.

Die Autoren räumen jedoch bescheiden spezifische Limitationen ein:

Datensatz-Beschränkungen: Der Datensatz schloss verdeckte, entfernte und extrem kleine Früchte aus, um die Konsistenz der Annotation zu gewährleisten. Folglich spiegelt der Datensatz möglicherweise nicht die volle Komplexität dichter Obstplantagen wider, was potenziell zu einer Unterschätzung der Detektionsfehler in solchen Szenarien führen kann.
Generalisierung: Die Datenerhebung war auf spezifische Lichtverhältnisse, Winkel und einen einzigen geografischen Standort (Shanxi Agricultural Valley) beschränkt, was die Generalisierbarkeit des Modells auf extreme Lichtverhältnisse oder unterschiedliche Pflanzmuster einschränken könnte.
Modul-Kompatibilität: Die Ablationsstudien zeigten einen geringfügigen Trade-off, bei dem das leichtgewichtige C2f-Dual Design die Präzision des BiFormer Attention Mechanismus leicht beeinflusste, wenn alle Module kombiniert wurden, was auf Spielraum für weitere Optimierungen der Modul-Kompatibilität hindeutet.

Die Studie schließt mit dem Hinweis, dass die zukige Arbeit darauf abzielen wird, die Annotationsregeln zu lockern, um auch verdeckte Ziele einzuschließen, die Datensätze für diverse Umgebungen zu erweitieren und die Synergie zwischen den eingeführten Modulen weiter zu verfeinern.