基于改进YOLOv10和LAMP通道剪枝的串番茄成熟度检测算法研发OA

[目的/意义]由于串番茄果实密集重叠、温室光照复杂多变及果实颜色连续渐变等因素,检测模型在对成熟度进行精准快速识别时面临挑战。因此,提出了一种基于改进YOLOv10(You Only Look Once version 10)的轻量级串番茄成熟度目标检测模型LampCT-YOLO(Cluster Tomato YOLO with Layer-wise Adaptive Mask Pruning),以提高检测精度、推理速度和鲁棒性。[方法]以YOLOv10为基线模型,在主干网络引入SegNeXt(Segmentation Next)注意力机制,通过自适应调整注意力权重,增强模型对3类不同成熟度串番茄关键区域(如边界、颜色深浅)的特征提取能力;在训练完成的模型基础上,通过基于梯度的全局通道重要性方法LAMP(Layer-wise Adaptive Mask Pruning)通道剪枝,显著压缩模型体积和计算复杂度,同时有效保持模型对串番茄3分类成熟度的高检测性能。[结果和讨论]在NVIDIA A100显卡环境下,LampCT-YOLO模型对串番茄红熟早期、中期、晚期的平均精度均值(Mean Average Precision,mAP)分别为84.6%、89.5%、88.4%,相比YOLOv10分别提升了5.5、7.7和0.9个百分点,对串番茄3个成熟度类别的mAP_(50)为87.6%,相比YOLOv10提升了4.7个百分点。应用LAMP通道剪枝技术后,模型的参数量和计算量分别减少63.07%和50.06%,推理速度提升23.1%。部署至自主研发的果蔬巡检机器人后,在边缘设备NVIDIA Jetson AGX Orin上达到9.1帧/s的推理速度,实现了检测精度与实时性的有效平衡。[结论]研究结果可为基于巡检机器人的串番茄成熟度精准快速识别提供坚实的技术支撑。