LMA-DETR: A Multi-Scale Detection Framework for Seed Defect Screening

Hao Li

doi:10.1016/j.dsp.2025.105639

LMA-DETR: A Multi-Scale Detection Framework for Seed Defect Screening

2025-10-10

0

PRE

AI

DOI：10.1016/j.dsp.2025.105639

原文链接

原文求助

摘要

En 中文

种子缺陷检测对于确保种子质量和林业育种至关重要。橡树种类因其复杂的形态学特征以及多尺度、不规则性质的缺陷特征而构成重大挑战。传统的检测模型如YOLO和Faster R-CNN在处理小目标和密集杂乱背景方面存在局限性。虽然基于Transformer的DETR在复杂对象的全局建模方面表现出色，但在捕捉多尺度特征方面仍显不足。为解决这些问题，本文提出LMA-DETR，一种针对橡树种子缺陷检测优化的多尺度特征融合框架。该模型整合了Ghost-Hourglass骨干网络、GLSA-BiFPN特征融合模块，并采用多尺度查询嵌入机制，从而实现对小目标和复杂背景的高效感知。在高质量自建数据集上的实验表明，LMA-DETR在多个独立测试集上达到当前最佳性能，验证集上的AP50达到97.2%，并在具有挑战性的测试场景中保持优异表现。该模型仅包含24.3M参数，计算复杂度为123.44 GFLOPs，在43.3 FPS下实现实时性能，同时在小目标和复杂背景场景中表现突出。该模型在多样化的成像条件和橡树种类中展现出强大的泛化能力和鲁棒性。这些发现为稠密树种种子缺陷检测提供了新见解，具有重要的理论价值及实践应用潜力。

LMA-DETR: A Multi-Scale Detection Framework for Seed Defect Screening

摘要

期刊

机构

引用论文