疏花是果园生产中调控果实产量和品质的关键农艺环节，花序过多会使树体养分过度消耗，导致果实体积小、含糖量低。果园管理者为了保障树体养分对幼果的集中供应以及节约大量疏果的劳动力成本，往往会在果树花期去除多余的花序。因此果园智能化疏花是未来发展的方向，而果树花序的识别检测是保证疏花机器人正常工作的基本要求。

近日，装备所果园智能农机装备创新团队在梨树花序识别算法上取得了新进展，相关研究以题为“Multi-scenariopear tree inflorescence detection based on improved YOLOv7 object detectionalgorithm”在线发表于植物科学领域国际期刊《Frontiersin Plant Science》（IF=5.6，JCR一区），团队首席吕晓兰研究员、团队成员雷哓晖副研究员为论文共同通讯作者，研究生张振为论文第一作者。

针对梨树花期花序重叠度高、相似特征多、远距离检测难度大和树级花序检测困难等问题，研究团队提出了一种基于YOLOv7神经网络的YOLOv7-E梨树花序识别检测算法。YOLOv7引入了高效多尺度注意力机制（EMA），通过并行处理策略实现跨通道特征交互，最大程度的保留特征图上的像素级特征和位置信息。此外，对SPPCSPC模块进行了优化，以尽可能保留不同拍摄距离下的目标区域特征，采用Soft-NMS算法减少重叠区域漏检的可能性。该模型将花序目标点分为花苞和花朵两类，从实际场地采集不同时期、距离以及光照条件下的多样化梨树花序数据集。田间试验结果表明：YOLOv7-E在各种时间段、距离和天气条件下对花序的检测平均精度和召回率分别达到91.4%和89.8%。单幅图像的检测时间为80.9ms，模型大小为37.6Mb。与原始YOLOv7相比，检测精度提高了4.9%，召回率提高了5.3%，而模型参数仅增加了1.8%。在相机特写（10 cm-30 cm）、枝干(40cm-60 cm)和全景(80 cm-120 cm)三种模式下，该算法可精准检测全程花期的花序，为后续果园智能疏花机器人动作节臂控制系统提供算法基础。

该研究得到了国家梨产业技术体系、国家自然科学基金和江苏省现代农机装备与技术示范推广项目等项目资助。

文章链接：https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2023.1330141/full