深度学习在现代水果行业的水果检测中得到了广泛应用，然而，训练数据的标注过程仍然是一项繁琐耗时的任务。自动标注的引入为基于深度学习技术的智能果园建设提供了高效的数据源，极大地简化了数据准备的流程。

2024年1月，Plant Phenomics 在线发表了由北京工业大学和东京大学合作完成的题为DomAda-FruitDet: Domain-Adaptive Anchor-Free Fruit Detection Model for Auto Labeling 的研究论文。

该研究针对之前提出的EasyDAM水果检测模型中训练数据和测试数据之间的领域差距问题，提出了一种新的领域自适应锚点水果检测模型DomAda-FruitDet（图1），以进一步提高水果标注的准确性。该模型包括2个改进点:(1)基于双预测层的前景域自适应结构（图2），采用定位中心点生成边界框和分层预测不同尺度的结果的方法，有效地解决了前景域缺口问题;(2)基于样本分配的背景域自适应策略（图3），增强模型提取前景特征的能力，有效地解决了背景域空白问题。

在构建目标域预训练水果检测模型的实验中，DomAda-FruitDet在苹果、番茄、火龙果和芒果数据集上的平均精度（AP）值分别为77.3%、83.6%、77.7%和74.3%，均高于对比算法（Orange-Yolo, Single-DGOD, Every Pixel Matters, SIGMA）。在水果标签生成实验中，DomAda-FruitDet获得了实际苹果、番茄、火龙果和芒果数据集的AP值，分别为90.9%、90.8%、88.3%和94.0%，其F1评分值分别为84.2%、85.7%、85.3%和89.4%，优于Orange-yolo算法。结果表明：采用DomAda-FruitDet作为EasyDAMv1和EasyDAMv2水果自动标注方法的水果检测模型，能有效地解决领域差距问题，进一步提高目标领域实际水果数据集标签生成的准确性。

图1 使用DomAda-FruitDet提高EasyDAM方法精度的流程图。将标记的目标域合成水果数据集作为输入，将得到的标记的目标域实际水果数据集作为输出。

图2基于双预测层的前景域自适应结构图。(A)原始的CenterNet结构图。(B)改进的基于双预测层的前景域自适应结构图。

图3基于样本分配的背景域自适应策略图。(A)原始CenterNet正负样本分配策略。(B)改进的正负样本分配策略

本研究主要提出了一种跨域检测模型DomAda-FruitDet，该模型可以有效地生成所需的标注水果数据集，并解决了EasyDAM方法中的域间隙问题。本文提出的方法可以减少拍摄角度、拍摄距离和环境变化等因素对识别效果的影响，极大地提高了水果智能识别的效率。

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0135

——推荐阅读——

Eff-3DPSeg: 3D Organ-Level Plant Shoot Segmentation Using Annotation-Efficient Deep Learning

‍https://spj.science.org/doi/10.34133/plantphenomics.0080

Plant Phenomics | Eff-3DPSeg：使用高效标注的深度学习方法进行植物器官级分割

EasyDAM_V3: Automatic Fruit Labeling Based on Optimal Source Domain Selection and Data Synthesis via a Knowledge Graph

https://doi.org/10.34133/plantphenomics.0067‍

Plant Phenomics | EasyDAM_V3：基于最优源域选择和知识图数据合成的水果自动标注

加入作者交流群