CLBD-YOLO: A Lightweight Tea Bud Detection Algorithm

Zheng Chen

doi:10.3390/technologies14090576

CLBD-YOLO: A Lightweight Tea Bud Detection Algorithm

2026-09-12

0

OA

AI

DOI：10.3390/technologies14090576

原文链接

原文求助

摘要

En 中文

茶芽检测是实现自动化智能茶叶采摘的关键技术。然而，精确检测仍具挑战性，因为茶芽通常体积小、密集分布、部分遮挡且与周围背景视觉相似。此外，资源受限设备对模型尺寸和计算复杂度提出了严格要求。为应对这些挑战，针对资源受限的茶芽检测应用，提出了一种轻量级茶芽检测模型CLBD-YOLO。基于YOLOv11n，为骨干网络和颈部设计了C3K2_GD模块，结合幽灵风格轻量级特征生成与输入条件动态特征建模。采用三级加权BiFPN进行双向多尺度特征融合，同时引入LAE、DAT和MPDIoU分别用于下采样特征提取、自适应空间表示和边界框回归。在包含625张图像的预定义TeaBud测试子集上的实验表明，CLBD-YOLO达到74.31%精度、77.07%召回率、85.67% mAP@0.5和62.69% mAP@0.5:0.95。与YOLOv11n相比，参数量从2.582M降至1.426M，计算成本从6.3G降至5.6G FLOPs，分别减少约44.8%和11.1%。对于预声明的seed-0运行，mAP@0.5和mAP@0.5:0.95分别下降0.22和1.40个百分点；当对三个匹配的随机种子取平均时，对应下降0.77和1.89个百分点。由于近重复筛选揭示了预定义TeaBud分割中的跨子集增强样本，这些结果被视为分布内参考值而非严格无泄露的泛化估计。在591张图像的外部信阳毛尖茶芽验证子集上，使用固定TeaBud训练权重且无需额外微调或阈值调整的直接评估，CLBD-YOLO的mAP@0.5和mAP@0.5:0.95分别为81.2%和62.5%，而YOLOv11n为80.4%和61.2%。这些结果表明，紧凑模型在外部数据分布下仍具竞争力。总体而言，CLBD-YOLO显著降低了模型复杂度，同时保持竞争性的茶芽检测性能，为资源受限应用展示了良好的精度-复杂度权衡。

Keyword:

tea bud detection

object detection

lightweight model

YOLOv11

CLBD-YOLO: A Lightweight Tea Bud Detection Algorithm

摘要

期刊

机构

引用论文