YOLO-TBD：采用三分支注意机制和自校正卷积的茶芽检测-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

YOLO-TBD：采用三分支注意机制和自校正卷积的茶芽检测

发布时间：

2025-04-29

来源：

作者：

茶芽自动检测（Automatic Tea Bud Detection，TBD）是智能茶叶采摘系统的核心技术之一。由于茶芽小、密集、高度重叠、颜色接近背景，准确检测茶叶芽面临巨大挑战。本文提出了一种以YOLOv8为基本框架的茶芽检测方法，命名为YOLO-TBD。

首先，作者将YOLOv8的第二层特征合并到聚合特征金字塔网络(Path Aggregation Feature Pyramid Network，PAFPN），使其能够更好地利用低级别特征（如纹理和颜色信息）增强网络的特征表示能力。其次，设计了三分支注意机制（Triple-Branch Attention Mechanism, TBAM），并将其集成到主干网络和C2f模块的输出中。这种注意机制在不增加模型参数的情况下，通过特征通道的相互作用，强化了茶芽对象的特征，抑制了背景噪声。最后，提出一种自校正卷积（Self-Correction Group Convolution, SCGC）取代了C2f模块中的传统卷积。此卷积建立了围绕每个空间位置的长距离空间和通道依赖性，使得能够用更少的参数获得更大的感受野和更好的上下文信息捕获，从而减少茶芽对象的错误检测和遗漏检测。拟议的模块被纳入YOLOv8网络架构，从而构建了三个具有不同参数的探测模型，分别是YOLO-TBD-L、YOLOTBD-M和YOLO-TBD-S。

在本文自建的茶芽检测数据集和公开的GWHD_2021数据集上的试验结果表明，与现有方法相比，YOLOTBD-L方法可以达到最高准确率，mAP值分别达到87.04%和94.5%，分别比最先进的方法高出1.9%和0.7%。YOLO-TBD-S模型以低得多的模型参数和计算复杂度实现了与YOLOv8-L模型相当的检测精度。

本研究提出的特征增强策略有效地提高了网络特征表示能力，实现了茶芽目标的准确定位。但仍然存在一定的局限性：①本研究采用的是自建茶芽数据集，目前还没有公开可用的数据集，这严重阻碍了智能茶芽采摘的未来发展；②轻量级和高精度的检测模型需要进一步研究。未来工作计划：①结合具有代表性的茶树品种，建立一个公开可用的茶芽数据集，为后续研究提供基础；②将探索设计损失函数和利用多核深度卷积等策略，以进一步实现模型轻量化并提高检测性能，从而在实际场景中更好地应用。

图1. YOLO-TBD的网络结构

图2. PAFPN的结构和改进的PAFPN

图3. TBAM结构

图4. SCGC结构

图5. C2f_TBAM_SCGC结构

图6. 使用不同方法的可视化检测结果

图7. XGrad - CAM特征图的可视化比较

表1. 在自建数据集上比较各种目标检测方法的结果

表2. GWHD_2021数据集上不同目标检测方法的比较结果

表3. 各种检测方法的参数和计算复杂度的比较

来源

LIU Z, ZHUO L, DONG C, et al. YOLO-TBD: Tea Bud Detection with Triple-Branch Attention Mechanism and Self-Correction Group Convolution[J]. Industrial Crops and Products, 2025, 31 1. DOI:10.1016/j.indcrop.2025.120607.

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示