CHCG-YOLO：一种轻量级的水果识别模型

《Journal of Food Measurement and Characterization》：CHCG-YOLO: a lightweight model for fruit recognition

　　轻量级水果识别模型CHCG-YOLO通过优化背骨、颈部和检测头结构，在保持96.6%mAP50精度下降低参数30.7%和FLOPs30.1%，模型体积压缩至4.0MB，推理速度提升5.2%，有效平衡智能农业场景的精度与效率。

　　

摘要

深度学习在目标检测领域取得了显著进展。然而，在智能农业中的水果识别任务中，现有方法往往以提高准确性为代价，导致计算复杂性增加、参数规模增大以及推理速度变慢。如何在精确度和效率之间取得平衡仍然是一个关键挑战。为了解决这个问题，我们提出了CHCG-YOLO这一轻量级的水果识别模型。首先，将CHGNetV2（坐标注意力HGNetV2）引入模型主干结构中，结合了HGStem和HGBlock，并在HGBlock中嵌入了坐标注意力（CA）机制，以增强目标特征的表达能力并降低计算成本。其次，在模型的“颈部”（Neck）部分加入了CCFC（C3k2 ConvFormer ConvolutionalGLU）模块，该模块融合了ConvFormerCGLU和轻量级的C3k2结构，从而提升了多尺度特征提取能力，减少了背景干扰，并提高了识别精度。第三，基于共享参数优化策略设计了一种轻量级的DEGC（检测组卷积，Detect Group Conv）检测头，进一步提高了计算效率并简化了模型结构。以YOLO11n作为基准模型，实验表明CHCG-YOLO在IoU阈值为0.5时的平均精度（mAP50）达到了96.6%，同时参数数量和每秒浮点运算次数（FLOPs）分别减少了30.7%和30.1%。模型大小被压缩至4.0 MB，推理速度提升了5.2%。这些结果表明CHCG-YOLO在保持高精度的同时实现了轻量级设计。其低计算成本和紧凑的模型尺寸使其适用于资源有限的设备；而改进的精度和速度则凸显了其在大规模智能农业应用中的潜力。