關(guān)鍵詞 蘋果； 夜間檢測(cè)； 圖像增強(qiáng)； 遷移學(xué)習(xí)； YOLOv8

中國(guó)是全球最大的蘋果生產(chǎn)國(guó)，2021 年產(chǎn)量達(dá)到4 597.34 萬(wàn)t，占據(jù)全球總產(chǎn)量的54.7%［1-2］。在我國(guó)蘋果產(chǎn)業(yè)快速發(fā)展和人力資源短缺的背景下，果農(nóng)對(duì)智能農(nóng)業(yè)裝備的需求不斷增長(zhǎng)［3-4］。視覺(jué)系統(tǒng)對(duì)蘋果采摘機(jī)器人具有重要意義［4］，同時(shí)在蘋果的產(chǎn)量估算［5］、果實(shí)分揀［6］和表型分析［7］等任務(wù)中也起著關(guān)鍵作用。目前，大部分采摘機(jī)器人與監(jiān)控設(shè)備都是白天作業(yè)，如能利用夜間進(jìn)行連續(xù)作業(yè)，將提高全天工作效率，有力地推動(dòng)蘋果產(chǎn)業(yè)的發(fā)展。

夜間環(huán)境下光線弱，采集的圖像存在暗淡、模糊和陰影等問(wèn)題［8］，同時(shí)枝葉枝干遮擋、果實(shí)密集重疊等情況又進(jìn)一步增加了識(shí)別難度，準(zhǔn)確識(shí)別夜間蘋果是有挑戰(zhàn)性的任務(wù)。近年來(lái)，一些研究者基于圖像處理的方法對(duì)夜間果實(shí)檢測(cè)進(jìn)行了探索。Font等［9］利用人工光源采集成熟葡萄的RGB 圖像，并通過(guò)檢測(cè)葡萄表面的球面反射峰值進(jìn)行葡萄計(jì)數(shù)，該方法的平均計(jì)數(shù)誤差為14%；趙德安等［10］將R-G 色差分割法用于蘋果采摘機(jī)器人夜間檢測(cè)，該方法僅在良好照明條件下表現(xiàn)較佳，在不考慮果實(shí)的粘連和遮擋等因素的前提下，正確識(shí)別率為83.7%；戴家裕［11］使用明場(chǎng)漫射正面照明作為夜間補(bǔ)光方式，解決了蘋果表面陰影和反光的問(wèn)題，并通過(guò)直方圖均衡化和gamma 矯正進(jìn)一步對(duì)圖像增強(qiáng)，該方法能夠同時(shí)克服夜間環(huán)境和同色系蘋果的識(shí)別難點(diǎn)，對(duì)綠蘋果的識(shí)別成功率為87%。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，以YOLO［12］為代表的目標(biāo)檢測(cè)算法廣泛應(yīng)用于夜間果實(shí)檢測(cè)。熊俊濤等［13］借鑒DenseNet［14］的思想改進(jìn)YOLOv3，增強(qiáng)了模型在夜間復(fù)雜環(huán)境中檢測(cè)成熟柑橘的穩(wěn)健性，精確率達(dá)到97.67%，但該方法對(duì)暗光圖像識(shí)別效果欠佳，且容易將密集多目標(biāo)識(shí)別為一個(gè)目標(biāo)。孫寶霞等［15］設(shè)計(jì)了多光源結(jié)合的視覺(jué)系統(tǒng)，并基于YOLOv4 對(duì)夜間自然環(huán)境下成熟柑橘進(jìn)行識(shí)別與表征缺陷檢測(cè)，準(zhǔn)確率為95.3%，該方法的有效性依賴于光源系統(tǒng)的設(shè)計(jì)。何斌等［16］利用YOLOv5 檢測(cè)夜間環(huán)境中的番茄，但由于番茄的綠果在夜間環(huán)境下的顏色容易與葉片、稈莖等混淆，且重疊果實(shí)的邊界區(qū)別較為困難，導(dǎo)致番茄的綠果和多果識(shí)別率低于紅果。

綜上所述，傳統(tǒng)圖像處理方法在夜間果實(shí)檢測(cè)任務(wù)中存在精度低、速度慢和通用性差等局限性，難以滿足實(shí)際作業(yè)要求，基于深度學(xué)習(xí)的方法具備更優(yōu)的性能，但也有不足之處，許多研究者沿用白天檢測(cè)環(huán)境的思路，忽視了夜間環(huán)境的特殊性，導(dǎo)致面對(duì)重疊、遮擋、綠果和光線過(guò)暗等情形時(shí)檢測(cè)效果欠佳，同時(shí)部分研究還過(guò)度依賴于外部輔助光源系統(tǒng)彌補(bǔ)圖像質(zhì)量的不足，此外也沒(méi)有利用遷移學(xué)習(xí)策略把日間數(shù)據(jù)納入到模型訓(xùn)練中。針對(duì)上述問(wèn)題，本研究提出了一種融合圖像增強(qiáng)與遷移學(xué)習(xí)的YO?LOv8n 的夜間蘋果檢測(cè)方法，以期實(shí)現(xiàn)對(duì)夜間蘋果的準(zhǔn)確實(shí)時(shí)檢測(cè)，從而提升蘋果采摘機(jī)器人及相關(guān)機(jī)器視覺(jué)設(shè)備的全天工作效率。

1 材料與方法

1.1 數(shù)據(jù)集

本研究將MS COCO 的訓(xùn)練集［17］作為源域數(shù)據(jù)，其中包含80 個(gè)類別的118 287 幅圖像，蘋果類別的實(shí)例個(gè)數(shù)有5 776 個(gè)。目標(biāo)域數(shù)據(jù)來(lái)自2019 年現(xiàn)代果園環(huán)境下蘋果圖像數(shù)據(jù)集（https：//www.agrida?ta.cn/data.html#/datadetail？id=289878），該數(shù)據(jù)集由華盛頓州立大學(xué)農(nóng)業(yè)自動(dòng)化和機(jī)器人實(shí)驗(yàn)室創(chuàng)建，用于產(chǎn)量估算和機(jī)器人收割，其中含有夜間環(huán)境下人工照明的蘋果圖像273 幅。將拍攝過(guò)于模糊、遮擋十分嚴(yán)重等容易對(duì)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)產(chǎn)生誤導(dǎo)的蘋果圖像進(jìn)行裁剪，以提升數(shù)據(jù)質(zhì)量，確保模型可以學(xué)到代表性的特征。經(jīng)過(guò)處理后的數(shù)據(jù)集共1 092幅，包含無(wú)遮擋、枝葉枝干遮擋、果實(shí)重疊、單目標(biāo)和多目標(biāo)果實(shí)等多種情景。依據(jù)數(shù)據(jù)標(biāo)注原則，使用LabelImg 將圖像中蘋果實(shí)例的最小外接矩形標(biāo)注為真實(shí)框，得到包含蘋果實(shí)例的中心坐標(biāo)和寬高信息的xml 文件，并保存為PASCAL VOC 格式，標(biāo)注結(jié)果示例如圖1 所示。

將標(biāo)注后的數(shù)據(jù)集按7∶3 劃分，得到764 幅圖像的訓(xùn)練集和328 幅圖像的測(cè)試集。然后，在訓(xùn)練集上采用翻轉(zhuǎn)、適度的模糊和噪聲等數(shù)據(jù)增強(qiáng)技術(shù)，以提升模型的適應(yīng)能力，增強(qiáng)結(jié)果示例如圖2 所示，經(jīng)過(guò)數(shù)據(jù)增強(qiáng)后的訓(xùn)練集共有1 528 幅圖像。

1.2 檢測(cè)方法

YOLOv8 是當(dāng)前主流的目標(biāo)檢測(cè)網(wǎng)絡(luò)之一，具備高效的訓(xùn)練和推理能力，能夠準(zhǔn)確快速地分類和定位果實(shí)目標(biāo)，根據(jù)網(wǎng)絡(luò)深度和特征圖寬度的不同有n、s、m、l、x 5 個(gè)版本，以滿足不同應(yīng)用場(chǎng)景的需求。為保證相關(guān)機(jī)器視覺(jué)設(shè)備的工作效率，本研究采用復(fù)雜度較低的YOLOv8n 模型，并在此基礎(chǔ)上搭建適合夜間蘋果檢測(cè)的網(wǎng)絡(luò)，通過(guò)零參考深度曲線估計(jì)（zero-reference deep curve estimation，Zero-DCE）［18］模塊增強(qiáng)夜間圖像，并利用SPD-Conv［19］提取細(xì)粒度特征，同時(shí)結(jié)合遷移學(xué)習(xí)（transfer learning）策略進(jìn)一步優(yōu)化模型性能。

1）Zero-DCE 增強(qiáng)夜間圖像。夜間采集的圖像整體偏暗，導(dǎo)致部分果實(shí)邊緣與背景的顏色差異微小，給機(jī)器視覺(jué)識(shí)別帶來(lái)較大困難，鑒于此，引入Ze?ro-DCE 增強(qiáng)夜間圖像，更清晰地展現(xiàn)蘋果的輪廓和細(xì)節(jié)，以降低夜間圖像識(shí)別難度，從而為后續(xù)圖像處理任務(wù)提供基礎(chǔ)，Zero-DCE 的框架如圖3 所示。

其中，Zero-DCE 以低光圖像作為輸入，利用DCE-Net 學(xué)習(xí)曲線參數(shù)圖，通過(guò)亮度增強(qiáng)曲線（lightenhancement curve）對(duì)輸入的夜間圖像進(jìn)行像素級(jí)調(diào)整，并經(jīng)過(guò)多次迭代優(yōu)化輸出最終的增強(qiáng)圖像，提亮曲線對(duì)應(yīng)的函數(shù)表達(dá)式為：

式（1）中，x 表示像素坐標(biāo)，n 為迭代次數(shù)，An是與輸入圖像尺寸相同的參數(shù)圖。為得到準(zhǔn)確的提亮曲線，Zero-DCE 利用DCE-Net 神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合，DCE-Net 包含7 個(gè)卷積層和3 個(gè)對(duì)稱跳躍連接層，其中所有卷積層都采用步長(zhǎng)為1 的常規(guī)3×3 卷積核，為保持相鄰像素間的聯(lián)系，卷積層之后未使用BN層，隱藏層激活函數(shù)為ReLU，為確保輸出范圍落在［-1，1］內(nèi)，輸出層采用Tanh 激活函數(shù)。

2）SPD-Conv 提取細(xì)粒度特征。圖像增強(qiáng)方法可以有效降低夜間圖像的檢測(cè)難度，但由于圖像分辨率較低，復(fù)雜情況下的識(shí)別仍然較為困難，因此需要加強(qiáng)模型細(xì)粒度特征提取能力。卷積核的步長(zhǎng)大小對(duì)特征提取的細(xì)致程度有重要影響，相較于步長(zhǎng)為2 的卷積，步長(zhǎng)為1 的卷積能夠使特征圖的每個(gè)像素點(diǎn)被采樣多次，并且奇數(shù)列和偶數(shù)列的采樣次數(shù)保持一致，這有助于模型提取到細(xì)粒度特征，步長(zhǎng)為2 與步長(zhǎng)為1 的卷積核采樣特點(diǎn)如圖4 所示?，F(xiàn)有的YOLOv8n 網(wǎng)絡(luò)使用步長(zhǎng)為2 的卷積進(jìn)行下采樣和特征提取，這會(huì)造成判別特征的丟失。為解決這一問(wèn)題，在YOLOv8n 中引入SPD-Conv，以使模型提取到更充分、更細(xì)致的判別特征，SPD-Conv 通過(guò)SPD（space to depth）保持下采樣過(guò)程中信息的完整性并配合步長(zhǎng)為1 的卷積提取細(xì)粒度特征，其操作過(guò)程如圖5 所示。

圖5 中，設(shè)輸入圖像形狀為L(zhǎng)×L×C1，SPD-Conv首先通過(guò)SPD 得到4 個(gè)形狀為L(zhǎng)/2×L/2×C1 的子特征圖，其次將它們沿著通道維度拼接，獲得形狀為L(zhǎng)/2×L/2×4C1 的特征圖，最后使用步長(zhǎng)為1 的卷積核提取細(xì)粒度特征并調(diào)整輸出特征圖的通道數(shù)。

3）改進(jìn)后的網(wǎng)絡(luò)。改進(jìn)后網(wǎng)絡(luò)的結(jié)構(gòu)如圖6 所示，其中選擇了一些層次的特征圖進(jìn)行可視化展示。首先Input 通過(guò)Zero-DCE 對(duì)夜間蘋果圖像增強(qiáng)，提升夜間圖像的清晰度和辨識(shí)度，降低夜間場(chǎng)景下蘋果的識(shí)別難度，為后續(xù)的圖像處理任務(wù)奠定基礎(chǔ)；其次Backbone 使用融合SPD-Conv 的CBS、C2f 和SP?PF 等模塊對(duì)增強(qiáng)后的圖像進(jìn)行多層次的特征提取，淺層特征圖（14 層）包含豐富的紋理特征，提供較多的位置信息，而深層特征圖（20 層）主要包含語(yǔ)義特征，提供較多的類別信息；然后Neck 依次通過(guò)FPN、PAN 對(duì)Backbone 提取的不同層次的特征圖加以利用，將紋理特征與語(yǔ)義特征融合，從而產(chǎn)生更高質(zhì)量的綜合特征；最后通過(guò)解耦頭（doubled head）分別生成預(yù)測(cè)目標(biāo)的類別概率和位置坐標(biāo)，包括3 個(gè)具有不同感受野的檢測(cè)分支，分別對(duì)應(yīng)25、28 和31 層的特征圖，用以檢測(cè)不同尺度的果實(shí)目標(biāo)，并經(jīng)過(guò)非極大值抑制得到符合需求的檢測(cè)結(jié)果。

4）遷移學(xué)習(xí)訓(xùn)練策略。在復(fù)雜的夜間環(huán)境中，確保模型的通用性和穩(wěn)定性顯得至關(guān)重要，這需要大量的、多樣的訓(xùn)練數(shù)據(jù)作為支撐，然而實(shí)際場(chǎng)景中數(shù)據(jù)獲取比較困難，且人工標(biāo)注數(shù)據(jù)耗時(shí)費(fèi)力，遷移學(xué)習(xí)可以將一個(gè)領(lǐng)域上的預(yù)訓(xùn)練模型復(fù)用在新領(lǐng)域中，從而降低數(shù)據(jù)獲取和標(biāo)注的成本。遷移學(xué)習(xí)的核心思路是借助源域中已有的標(biāo)注數(shù)據(jù)，通過(guò)算法的開(kāi)發(fā)，最大化地利用這些知識(shí)，該過(guò)程需要尋找源域和目標(biāo)域之間的相似性，以便將源域的知識(shí)有效地遷移到目標(biāo)域中［20-21］。為提升遷移學(xué)習(xí)效果，本研究從源域和目標(biāo)域?qū)w移學(xué)習(xí)策略分別做了改進(jìn)，本研究所提的遷移學(xué)習(xí)方法的過(guò)程如圖7 所示。

其中，針對(duì)源域，選取MS COCO 數(shù)據(jù)集作為源域數(shù)據(jù)集，與PASCAL VOC［22］等數(shù)據(jù)集不同，MSCOCO 擁有80 個(gè)類別的豐富數(shù)據(jù)，將MS COCO 作為源域有助于目標(biāo)域模型習(xí)得底層的、普遍性的規(guī)則，同時(shí)蘋果屬于其中的一個(gè)類別，因此，源域數(shù)據(jù)中也涵蓋了大量的、各種環(huán)境下的日間蘋果圖像，這使得目標(biāo)域模型在源域模型上微調(diào)是容易泛化的。對(duì)于目標(biāo)域，則先將夜間蘋果圖像數(shù)據(jù)集送入Zero-DCE 增強(qiáng)，以增加其與日間蘋果圖像的相似度，促進(jìn)正遷移的發(fā)生，進(jìn)而在源域模型上微調(diào)目標(biāo)域模型，從而充分利用源域模型中的知識(shí)。

1.3 評(píng)估指標(biāo)

本研究將平均精度均值（mean average preci?sion，mAP）作為算法質(zhì)量有效性的評(píng)估指標(biāo)，mAP是基于精確率（percision，P）和召回率（recall，R）計(jì)算出來(lái)的，精確率P 表示預(yù)測(cè)的正確樣本占總預(yù)測(cè)樣本的比例，召回率R 表示預(yù)測(cè)的正確樣本占實(shí)際正確樣本的比例，mAP@0.5：0.95 則是模型在不同交并比（intersection over union，IoU）閾值（0.5 至0.95，步長(zhǎng)為0.05）下的平均值。另外，將推理速度（單位為幀/s）作為算法實(shí)時(shí)性的評(píng)估指標(biāo)。

1.4 試驗(yàn)環(huán)境與參數(shù)設(shè)置

模型訓(xùn)練硬件配置為Intel（R） Core（TM） i9-10900KF CPU @ 3.70 GHz，RAM 為64 GB，GPU 為NVIDIA GeForce RTX 3090 24 GB；軟件運(yùn)行環(huán)境基于Windows 10（x64）操作系統(tǒng)，采用Python 編程語(yǔ)言和Pytorch 深度學(xué)習(xí)框架，Python 3.9.18，Pytorch1.13.1，Torchvision 0.14.1，Torchaudio 0.13.1，Cuda11.7.0，Cudnn 8.4.0。

試驗(yàn)采用隨機(jī)梯度下降法（stochastic gradientdescent，SGD）作為優(yōu)化器，初始學(xué)習(xí)率和最終學(xué)習(xí)率設(shè)為0.01，SGD 動(dòng)量設(shè)為0.937，權(quán)值衰減參數(shù)設(shè)為0.000 5，批次大小設(shè)為16。運(yùn)用warm up 訓(xùn)練策略，warm up 輪數(shù)設(shè)為3，總訓(xùn)練輪數(shù)設(shè)為100。

2 結(jié)果與分析

2.1 訓(xùn)練過(guò)程

YOLOv8n 基線模型和應(yīng)用本研究方法得到的改進(jìn)模型訓(xùn)練過(guò)程中在測(cè)試集上的mAP0.5：0.95 變化如圖8 所示。由圖8 可知，對(duì)于基線模型，訓(xùn)練初期的較大學(xué)習(xí)率使mAP@0.5：0.95 快速提升，但也導(dǎo)致了模型的震蕩，當(dāng)訓(xùn)練輪次達(dá)到20 左右時(shí)，mAP@0.5：0.95 增長(zhǎng)速度明顯放緩，模型逐步達(dá)到飽和，并隨著學(xué)習(xí)率不斷減小，曲線逐漸趨于平穩(wěn)。相比之下，本研究所提方法采用了遷移學(xué)習(xí)策略，因此曲線起點(diǎn)更高、坡度更陡且漸近線更高，表明本研究方法初始性能更為出色、收斂速度更快且能達(dá)到更高的精度。此外，由于遷移學(xué)習(xí)允許使用較大的學(xué)習(xí)率訓(xùn)練，本研究方法從訓(xùn)練初期就表現(xiàn)出更好的穩(wěn)定性。

2.2 消融試驗(yàn)

本部分重點(diǎn)就圖像增強(qiáng)和遷移學(xué)習(xí)的改進(jìn)方法進(jìn)行了消融試驗(yàn)研究。其中，將YOLOv8n 作為基線模型，記為模型1（YOLOv8n）；在模型1 中應(yīng)用SPDConv，得到模型2（YOLO-SPD）；在模型1 中應(yīng)用Ze?ro-DCE，得到模型3（YOLO-Zero）；在模型1 中應(yīng)用遷移學(xué)習(xí)策略，得到模型4（YOLO-TL）；在模型1 中同時(shí)應(yīng)用Zero-DCE 和遷移學(xué)習(xí)策略，得到模型5（YOLO-Zero-TL）；在模型5 中應(yīng)用SPD-Conv，得到模型6（YOLO-SPD-Zero-TL）。測(cè)試結(jié)果如表1所示。

由表1 可知，模型2 與模型1（YOLOv8）相比，mAP@0.5：0.95 提升0.7 百分點(diǎn)，這是因?yàn)镾PDConv可以增強(qiáng)模型細(xì)粒度特征的提取能力，從而更準(zhǔn)確地識(shí)別低分辨率的果實(shí)目標(biāo)；模型3 與模型1 相比，mAP@0.5：0.95 提升了0.9 百分點(diǎn)，說(shuō)明Zero-CDE 提升了夜間圖像的清晰度和辨識(shí)度，降低蘋果對(duì)象的檢測(cè)難度；模型4 與模型1 相比，mAP@0.5：0.95 提升2.3 百分點(diǎn)，表明遷移學(xué)習(xí)增強(qiáng)了模型的穩(wěn)定性和通用性，提升了模型在復(fù)雜場(chǎng)景下的檢測(cè)能力；模型5 與模型1 相比，在mAP@0.5：0.95 表現(xiàn)上提升3.7 百分點(diǎn)，且提升幅度大于模型3 與模型4 增益的總和，這是因?yàn)榻?jīng)Zero-DCE 處理的夜間蘋果圖像有效促進(jìn)了正遷移；模型6 與模型1 相比，mAP@0.5：0.95 提升4.3 百分點(diǎn)，說(shuō)明SPD-Conv、Zero-CDE 和遷移學(xué)習(xí)等改進(jìn)是可以相互兼容的。此外，從各模型推理速度可以看出，遷移學(xué)習(xí)策略并未影響模型的推理速度，即使Zero-DCE 和SPD-Conv 在一定程度上降低了推理速度，但是在可接受范圍內(nèi)，而將兩者結(jié)合使用卻能夠顯著提高模型的精度，這為夜間環(huán)境下的果實(shí)檢測(cè)提供了更有效的解決思路。

2.3 魯棒性試驗(yàn)

為探究復(fù)雜場(chǎng)景下模型的檢測(cè)效果，從測(cè)試集中隨機(jī)挑選85 幅圖像分別輸入到基線模型和應(yīng)用本研究方法得到的改進(jìn)模型中進(jìn)行檢測(cè)，其中含有重疊、遮擋、綠果、光線過(guò)暗的蘋果實(shí)例個(gè)數(shù)分別為109、185、93 和76，結(jié)果如表2 所示。

由表2 可知，相較于基線模型，改進(jìn)后的模型在重疊情況下的正確識(shí)別率提升3.7 百分點(diǎn)，在遮擋情況下的正確識(shí)別率提升2.7 百分點(diǎn)，在綠果情況下的正確識(shí)別率提升4.3 個(gè)百分點(diǎn)，在光線過(guò)暗情況下的正確識(shí)別率提升5.2 百分點(diǎn)。對(duì)應(yīng)的檢測(cè)示例如圖9所示，其中正確檢測(cè)結(jié)果采用紅色矩形框標(biāo)記，漏檢、誤檢結(jié)果分別采用藍(lán)色和黃色橢圓框標(biāo)記（上側(cè)、下側(cè)圖像分別表示基線模型和本研究所提模型的推理結(jié)果）。

由以上結(jié)果可知，在面對(duì)重疊、遮擋、綠果和光線過(guò)暗等復(fù)雜情形時(shí)，基線模型更容易出現(xiàn)誤檢和漏檢，而本研究所提模型仍然保持較高的檢測(cè)精度，證明本研究所提模型在穩(wěn)定性和魯棒性上表現(xiàn)更好，能夠有效地降低夜間蘋果檢測(cè)的誤檢率和漏檢率。

3 討論

本研究提出了一種融合圖像增強(qiáng)與遷移學(xué)習(xí)的YOLOv8n 蘋果夜間檢測(cè)方法，該方法采用YO?LOv8n 模型，通過(guò)Zero-DCE 增強(qiáng)夜間圖像，并利用SPD-Conv 提取細(xì)粒度特征，同時(shí)結(jié)合遷移學(xué)習(xí)策略進(jìn)一步優(yōu)化模型性能。試驗(yàn)結(jié)果表明，本研究所提方法的模型在夜間蘋果數(shù)據(jù)集上的精確率為97.0%，召回率為93.4%，平均精度均值mAP@0.5：0.95 為74.6%，推理速度為22 幀/s，可以滿足實(shí)時(shí)準(zhǔn)確檢測(cè)的需求。

蘋果夜間檢測(cè)具有一定的復(fù)雜性，盡管深度學(xué)習(xí)方法在夜間檢測(cè)中展現(xiàn)出一定優(yōu)勢(shì)，但仍有一些不足。熊俊濤等［13］和何斌等［16］檢測(cè)夜間果實(shí)時(shí)僅對(duì)YOLO 模型本身改進(jìn)，盡管取得了一定優(yōu)化效果，但在密集、重疊、暗光或綠果等情景的果實(shí)識(shí)別率較低。相比之下，本研究在對(duì)YOLOv8n 模型改進(jìn)的基礎(chǔ)上，針對(duì)性地引入輸入端圖像增強(qiáng)方法和遷移學(xué)習(xí)訓(xùn)練策略，有效地提升了模型在夜間復(fù)雜場(chǎng)景下檢測(cè)蘋果的穩(wěn)定性。

此外，本研究采用的Zero-DCE 夜間圖像增強(qiáng)方法基于深度學(xué)習(xí)技術(shù)，可以避免傳統(tǒng)圖像處理方法［11］導(dǎo)致的模型推理速度慢的問(wèn)題，而遷移學(xué)習(xí)策略不增加模型的復(fù)雜度，因此本研究模型保持較高檢測(cè)精度的同時(shí)，也具備較好的實(shí)時(shí)性。

消融試驗(yàn)顯示，結(jié)合圖像增強(qiáng)和遷移學(xué)習(xí)的方法的效果超過(guò)單獨(dú)應(yīng)用兩者效果的總和。另外，改進(jìn)后的模型展現(xiàn)出了較強(qiáng)的抗干擾能力，即使在重疊、遮擋、綠果和光線過(guò)暗等困難情形下，也能達(dá)到良好的識(shí)別效果。本研究所提方法為解決夜間果實(shí)檢測(cè)問(wèn)題提供了一種新的研究思路和技術(shù)手段，可為后續(xù)的相關(guān)研究提供參考。