摘要：引用格式：司超国, 刘梦晨, 吴华瑞, 缪祎晟, 赵春江. Chilli-YOLO: 基于改进YOLOv10的露地辣椒成熟度智能检测算法[J]. 智慧农业(中英文), 2025, 7(2): 160-171.
引用格式：司超国, 刘梦晨, 吴华瑞, 缪祎晟, 赵春江. Chilli-YOLO: 基于改进YOLOv10的露地辣椒成熟度智能检测算法[J]. 智慧农业(中英文), 2025, 7(2): 160-171.
DOI： 10.12133/j.smartag.SA202411002
SI Chaoguo, LIU Mengchen, WU Huarui, MIAO Yisheng, ZHAO Chunjiang. Chilli-YOLO: An Intelligent Maturity Detection Algorithm for Field-Grown Chilli Based on Improved YOLOv10[J]. Smart Agriculture, 2025, 7(2): 160-171.
官网全文免费阅读
Chilli-YOLO：基于改进YOLOv10的露地辣椒成熟度智能检测算法
司超国1，2， 刘梦晨2，3， 吴华瑞2，4， 缪祎晟2，4， 赵春江2*
（1.上海海洋大学 信息学院，上海 201306，中国； 2.国家农业信息化工程技术研究中心，北京 100097，中国； 3.北京信息科技大学 自动化学院，北京 100096，中国； 4.农业农村部数字乡村技术重点实验室， 北京 100097，中国）
摘要：
［目的/意义］为确定露地辣椒的最佳采摘时机和实现智能分拣。针对现有目标检测模型在辣椒成熟度检测任务中的效率低和准确率不高问题，提出了一种目标检测算法Chilli-YOLO，旨在快速、准确地检测辣椒果实的成熟度，以实现大田辣椒的智能化采摘及成熟度检测。
［方法］以复杂背景下的露地辣椒为研究对象，将辣椒分为未熟期、过渡期、成熟期和干辣椒四个成熟度等级。在此基础上，对YOLOv10s（You Only Look Once version 10 small）进行了优化改进。首先，使用Ghost卷积优化主干网络，将普通卷积替换为GhostConv，并用C2f_Ghost代替C2f，以减少计算冗余。其次，将PSA（Partial Self-Attention）模块替换为SOCA（Second-Order Channel Attention）注意力机制，引入高阶特征相关性，捕捉辣椒细粒度特征。最后，通过引入XIoU（Extended intersection over union）损失函数来增强模型的定位精度，提升模型的准确性。
［结果和讨论］在自建的辣椒成熟度检测数据集上进行的实验表明，Chilli-YOLO在计算量、参数量和模型大小分别达到18.3 GFLOPs、6.37 M和12.6 M的同时，推理时间为7.3 ms。模型的平均精度均值（Mean Average Precision, mAP）、准确率和召回率分别达到了88.9%、90.7%和82.4%，较基线模型分别提升了2.8、2.6和2.8个百分点。此外，实验结果还与目前主流的Faster RCNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）和YOLO系列的多个版本进行了对比，验证了所提出方法的综合性能优于其他算法。
［结论］提出的Chilli-YOLO模型能够实现露地辣椒不同成熟度的精准划分，不仅提升了检测精度，还有效降低了模型计算开销。为辣椒的智能化采摘提供了有效的技术参考。
关键词： YOLOv10；露地辣椒；成熟度；SOCA；Ghost
文章图片
图1 不同场景下所采集的辣椒样本
Fig. 1 Chillies samples collected in different scenarios
图2 辣椒数据集数据增强后的样本效果图
Fig. 2 Sample effects of the chilli dataset after data augmentation
图3 Ghost Conv模块
Fig. 3 Ghost Conv module
图4 C2f_Ghost模块
Fig. 4 C2f_Ghost module
图5 PSA注意力机制
Fig. 5 PSA attention mechanism
图6 SOCA注意力机制
Fig. 6 SOCA attention mechanism
注：橙色虚线框的标示为本研究主要改进部分。
图7 Chilli-YOLO网络结构
Fig.7 Chilli-YOLO network structure
图8 不同损失函数在Chilli-YOLO模型上的验证损失对比
Fig.8 Comparison of validation loss on Chilli-YOLO model with different loss functions
图9 Chilli-YOLO模型训练过程中各指标的变化曲线
Fig.9 The change curves of various metrics during the training of the Chilli-YOLO model
图10 不同模型辣椒成熟度识别效果
Fig.10 Effectiveness of different model for chilli maturity recognition
图11 辣椒多级成熟度检测结果分析
Fig.11 Analysis of the results of multi-stage maturity testing of chilli fruits
通信作者介绍
赵春江 院士
赵春江，研究员，中国工程院院士。现任北京农业信息技术研究中心首席科学家，《智慧农业（中英文）》主编，农产品质量安全追溯技术及应用国家工程实验室主任、农业部农业信息技术重点实验室主任。主要从事农业信息技术与精准农业技术体系研究。入选国家级百千万人才工程，全国杰出专业技术人才，全国农业科研杰出人才，北京学者，北京市高创计划，农业科研杰出人才及其创新团队科技部创新人才推进计划，科技北京百名领军人才，科技北京百名领军人才培养工程等人才项目；曾获得联合国联合国世界信息峰会奖、美国农学会滕头农业科学奖，国务院政府特殊津贴，全国创新争先奖，全国“五一”劳动奖章，全国先进工作者，全国农业科技先进工作者，全国优秀科技工作者，中国青年科技奖， “十一五”国家科技计划执行突出贡献奖，国家973计划先进个人，国家863计划突出贡献奖，中国农业信息化十大年度人物，中国软件行业十大杰出青年，中华农业英才奖，首都农业科技先进工作者，北京市有突出贡献的科学、技术、管理专家等荣誉称号。获得国家科技进步二等奖4项，省部级科技奖励26项，以第一完成人授权PCT1项、发明专利80余项，以第一和通讯作者发表论文300余篇，主编出版著作16部。
转载请联系编辑部授权
本期支持单位
潍柴雷沃智慧农业科技股份有限公司
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
来源：智慧农业资讯一点号
