小目标果实的精准检测对于果园产量预测与生长监测至关重要。随着深度学习理论研究的深入，其具有自动提取特征和高精度检测的优势，成为果园目标识别的重要手段。然而，小尺度果实的检测精度仅为大尺度果实的1/2，其根本原因：小尺度果实占据图像像素相对较少，经特征提取操作后，可映射到小果实的特征逐渐减少，甚至消失。因此，如何在特征融合阶段平衡不同尺度果实特征以缓解小尺度果实特征丢失，仍然是一个亟待解决的难题。

近日，Plant Phenomics在线发表了山东师范大学、机械工业设施农业测控技术与装备重点实验室、国家苹果工程技术研究中心与卡迪夫大学合作的题为BFP Net: Balanced Feature Pyramid Network for Small Apple Detection in Complex Orchard Environment的研究论文。

本研究以苹果园为研究对象，针对不同尺度特征不平衡的问题，从特征金字塔网络等比例逐元素特征融合与不同层级特征这两个角度出发，提出了可平衡的特征金字塔网络（图1），以提高小苹果检测的精确度。可平衡的特征金字塔网络具体做出了如下贡献：（1）针对等比例逐元素特征融合的问题，借助类加权机制对横向连接与自顶向下结构的特征进行加权融合；（2）针对不同层级之间多尺度果实特征的不平衡问题，首先在FPN最底层嵌入一个信息丰富的扩展特征，即将特征提取网络ResNet50中conv1的输出引入到FPN最底层作为扩展特征。为更好的保留苹果特征信息，设计了解耦-聚合块，在扩展特征上从空间感知与内容感知两个角度解析-聚合多尺度小苹果特征；（3）为降低扩展特征的噪声干扰，使扩展特征与标准特征金字塔网络输出特征分布趋于一致，设计了一个散度蒸馏损失函数，将有用的知识从标准FPN的最浅层特征迁移到扩展特征中；（4）本研究不仅在小苹果数据集GreenApple和MinneApple上进行训练与测试，还在通用目标检测数据集Pascal VOC上验证BFP Net的有效性，证明了小苹果检测模型BFP Net在其他领域也具有较强的应用潜力。

图1 可平衡特征金字塔网络的整体流程

实验结果表明：提出的BFP Net在GreenApple与MinneApple测试集上能够提升小苹果检测精确度，预测结果展示见图2。BFP Net的小苹果检测精确度结果优于CARAFE、SABL与Groie等当前流行的深度学习网络。BFP Net与CARAFE在不同尺度下苹果精确度-召回率曲线展示见图3。BFP Net在农业领域之外的通用目标检测数据集Pascal VOC上也展现出了较好的目标检测性能，证明其具备较强的泛化性能。

图2 GreenApple（上）与MinneApple（下）测试集上预测结果

图3 不同尺度果实精确度与召回率的性能评估

作者介绍

论文链接：

https://doi.org/10.34133/2022/‍989246‍4

——推荐阅读——

Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology

https://doi.org/10.34133/2022/9753427

Plant Phenomics | 基于表型图像信息与反向神经网络预测温室葡萄成熟度

Wheat Ear Segmentation Based on a Multisensor System and Superpixel Classification

https://doi.org/10.34133/2022/9841985

Plant Phenomics | 基于多传感器系统和超像素分类的麦穗图像分割

审核：孔敏、王平