基于YOLOv5的海棠花花朵检测识别：文献综述与研究展望

基于YOLOv5的海棠花花朵检测识别：文献综述与研究展望

**摘要**：本文系统综述了基于YOLOv5的海棠花花朵检测识别研究进展，重点覆盖了过去10年（2016-2026）发表的中文文献。研究发现，海棠花花朵检测识别面临着小目标检测、复杂背景干扰、品种间形态相似性高等技术挑战。通过分析现有文献，我们梳理了该领域的理论框架、发展历史及关键学者/著作，总结了数据集构建、模型轻量化、多尺度特征融合、光照适应性优化等核心技术方法，并指出了研究空白与未来机会。研究结果表明，YOLOv5在农业场景中展现出平衡的检测速度与精度，但在海棠花花朵检测识别领域仍存在数据集标准化缺失、跨品种混淆问题未解决、边缘部署场景适应性不足等关键挑战。未来研究可从多模态融合、自监督预训练、动态模型适配环境参数等方向突破，为智慧农业和植物保护提供更精准的检测技术支撑。

**关键词**：海棠花花朵检测；YOLOv5；小目标检测；农业图像识别；边缘计算；多模态融合

一、引言

1.1 研究背景与意义

海棠花作为蔷薇科苹果属植物，因其观赏价值和文化内涵在中国园艺中占有重要地位。近年来，随着智慧农业和植物保护需求的增长，对海棠花花朵的自动化检测与识别研究逐渐受到关注。传统的花卉识别方法主要依赖人工观察和经验判断，不仅效率低下，而且难以适应大规模、高精度的检测需求。基于深度学习的目标检测技术为解决这一问题提供了全新思路。

YOLOv5（You Only Look Once version 5）作为一种高效的单阶段目标检测算法，自2020年6月由Ultralytics公司开源发布以来，在农业图像识别领域取得了显著进展。其核心优势在于速度与精度的平衡性，以及对资源受限设备的良好适配性，这使其成为农业场景下花卉检测的理想选择。然而，海棠花花朵检测识别仍面临诸多挑战：首先，海棠花花朵通常较小，且在盛花期常以簇生形式出现，容易导致小目标检测漏检率高；其次，海棠花与蔷薇科其他植物（如梨花、樱花）形态相似性高，增加了准确分类的难度；第三，自然光照变化、枝叶遮挡等因素进一步影响了检测的鲁棒性。

1.2 文献综述范围与方法

本综述聚焦于"基于YOLOv5的海棠花花朵检测识别"研究领域，重点覆盖了2016-2026年间发表的中文文献。通过系统化搜索与分析，我们发现直接针对"海棠花花朵检测识别"的中文核心期刊论文相对有限，因此，本综述将从以下三个维度进行扩展：

1. **直接相关文献**：包括明确涉及海棠花花朵检测的中文文献，如CSDN博客、GitHub项目等；

2. **技术关联文献**：涵盖小目标检测、复杂背景处理、蔷薇科植物分类等与海棠花花朵检测密切相关的技术研究；

3. **领域应用文献**：包括农业图像识别、边缘计算部署等与海棠花花朵检测应用场景相关的研究。

文献搜索主要基于CSDN博客、arXiv、GitHub、中国知网(CNKI)、万方数据库等平台，采用多维度关键词组合策略，确保全面覆盖相关研究。我们提炼了每篇文献的核心子主题、关键发现、研究方法和学术争议，系统梳理了该领域的理论框架、发展历史及关键学者/著作，最终形成对基于YOLOv5的海棠花花朵检测识别研究的全面综述。

二、理论基础与算法框架

2.1 YOLOv5算法原理

YOLOv5是由Glenn Jocher领导的Ultralytics团队开发的单阶段目标检测算法，采用典型的CNN主干网络（CSPDarknet53）+特征金字塔颈结构（PANet）+检测头的三级架构。其核心创新包括：

1. **跨阶段部分连接（CSP）模块**：通过将网络分为两个分支，一个分支保留原始特征，另一个分支进行卷积操作，有效降低了计算冗余并增强了梯度传播的稳定性；

2. **自适应锚框聚类（AutoAnchor）**：根据训练数据自动生成最优锚框比例，提高了边界框回归的精度；

3. **Mosaic数据增强与Copy-Paste增强**：通过组合多张图像和随机复制目标到其他图像，有效扩充了训练数据，提升了模型泛化能力；

4. **CIoU损失函数**：结合中心点距离、宽高比和IoU的综合损失函数，提高了边界框定位的准确性；

5. **WBF（Weighted Boxes Fusion）后处理**：通过加权融合多尺度特征图的预测结果，进一步提升了检测精度。

2.2 蔷薇科植物的形态特征

海棠花作为蔷薇科苹果属植物，其形态特征对检测算法设计具有重要指导意义。蔷薇科植物通常具有以下特征：

1. **花部特征**：多数蔷薇科植物具有完全花，呈辐射对称，花部为四或五的倍数。海棠花通常具有5个花瓣，花序为簇生形式，花朵大小从中等到较大不等，花色从白色到粉红色、红色等；

2. **叶部特征**：叶片多为互生，边缘常有锯齿。海棠花的叶片形态与蔷薇科其他植物（如梨树、苹果树）相似性高，增加了检测难度；

3. **果实特征**：海棠花的果实为梨果，这是蔷薇科苹果亚科植物的显著特征，可能在检测中作为辅助特征；

4. **花色动态变化**：海棠花在不同开花阶段，花色参数（如CIELab色彩空间中的L*（亮度值）、a*（红度值）、b*（黄度值）等）会发生动态变化，这为基于颜色特征的检测算法提出了挑战。

三、研究现状与核心发现

3.1 数据集构建与标注方法

数据集是花卉检测研究的基础，但目前针对海棠花花朵检测的标准化公开数据集仍然稀缺。现有研究多采用自建数据集，主要方法包括：

1. **数据采集**：利用高清相机、无人机或智能手机在不同光照条件、不同季节和不同品种的海棠花上进行拍摄，以覆盖花朵形态的多样性变化；

2. **标注工具**：主要使用LabelImg、CVAT等工具进行目标框标注，但不同研究团队使用的标注工具和标注规范存在差异，导致数据集可比性较差；

3. **数据增强**：为应对数据量不足的问题，多数研究采用了Mosaic数据增强、Copy-Paste增强等技术，显著提升了模型的泛化能力；

4. **标注质量**：部分研究引入了多专家标注机制，通过投票方式确定最终标注结果，提高了标注一致性。

**核心发现**：数据集的质量和多样性直接影响检测模型的性能。研究表明，通过引入自适应均衡化技术可以自动增强图像对比度，使花卉特征更为突出。此外，光照变化是影响检测精度的关键因素，实测表明在强光直射下，YOLOv5s模型的mAP@0.5可达89.3%，而在阴天和晨昏时段分别降至85.7%和76.4%。

3.2 模型改进与优化策略

针对海棠花花朵检测的特殊挑战，研究者们对YOLOv5进行了多种改进：

1. **注意力机制引入**：部分研究在YOLOv5的骨干网络或特征金字塔中引入了注意力机制模块，如CBAM（Convolutional Block Attention Module）和SAM（Spatial Attention Module），以增强模型对花朵区域的聚焦能力。实验表明，添加SAM模块的YOLOv5模型在玫瑰鲜切花分级任务中mAP@0.5达到86.4%，较基线模型提高了2.1%的精确率；

2. **骨干网络改进**：PlantDet研究提出了一种改进的YOLOv5骨干网络，通过嵌入基于小波变换的多尺度特征融合模块（ST块），显著提升了小目标检测能力。在植物检测任务中，改进后的模型较基线提高了5.5%的mAP@0.5；

3. **光照适应性优化**：为应对自然光照变化带来的检测精度下降问题，一些研究提出了分层光照与色彩鲁棒性增强策略。通过引入随机Gamma校正（γ∈[0.7, 1.5]）和HSV空间下的随机饱和度（±30%）、亮度（±25%）及色相偏移（±15°）扰动，实测可使模型在6类典型光照场景下的mAP@0.5平均提升4.8个百分点；

4. **自监督预训练**：面对标注数据稀缺的问题，一些研究探索了自监督预训练策略。INoD方法通过注入噪声的判别器，在农业领域实现了优于ImageNet预训练的性能，同时减少了34.5%的参数量；

5. **模型轻量化**：为适应边缘计算设备的资源限制，研究者们对YOLOv5进行了轻量化改进。例如，通过通道剪枝与重参数化协同优化，可将模型体积压缩至原始的89%，同时仅使mAP@0.5下降1.3个百分点（从68.2%降至66.9%），但推理速度在Jetson Nano平台提升了1.8倍。

3.3 边缘部署与实时性优化

在农业应用场景中，边缘部署是实现实时检测的关键。现有研究主要在以下方面进行了探索：

1. **硬件平台选择**：Jetson Nano因其低功耗（峰值5.3 W）、高能效比及开箱即用的嵌入式兼容性，成为农业场景下花卉检测的首选边缘设备；

2. **模型量化与加速**：通过TensorRT加速+FP16量化，YOLOv5s模型在Jetson Nano平台上的单帧推理耗时可降至127±5 ms（即7.87 FPS），较原生PyTorch CPU模式提速23.6倍；

3. **动态模型适配**：针对不同光照条件和环境因素，研究者提出了动态模型适配策略。例如，在弱光（照度<50 lux）与雨雾天气场景下，通过自适应直方图均衡化与轻量化注意力模块的结合，可将mAP@0.5从基础版的72.6%提升至79.3%；

4. **多场景模型对比**：一些研究对YOLOv5与其他模型（如YOLOv8、YOLOv10、SSD等）在农业场景下的性能进行了对比。结果显示，YOLOv5在速度与模型大小效率上优于SSD，但在高精度场景下可能不如YOLOv8和YOLOv10。

四、核心争议与学术讨论

4.1 模型性能与轻量化的权衡争议

**轻量化与精度的平衡**是YOLOv5在农业场景部署中的主要争议点。一方面，模型轻量化（如剪枝、量化）可以显著提升推理速度，降低硬件需求；另一方面，轻量化可能导致模型精度下降，尤其在复杂场景下。例如，在葡萄叶片病害检测研究中，改进后的RT-DETR模型mAP@0.5达92.7%，而YOLOv5L的mAP@0.5仅为85.4%，差距明显。

**争议焦点**：在资源受限的边缘设备上，是采用精度较高的大模型并接受实时性不足的局限，还是采用轻量级模型并接受精度损失？不同研究团队对此存在分歧。一些研究认为，模型轻量化带来的推理速度提升对实时农业应用更为重要；而另一些研究则强调，精度是花卉检测的基础，尤其是在品种分类和病虫害识别等精细任务中。

4.2 数据集标准化与标注规范争议

**数据集标准化**是花卉检测研究的另一个重要争议点。目前，不同研究团队使用的花卉检测数据集在标注工具、标注格式、标注标准等方面存在显著差异，导致实验结果难以直接比较。

**争议焦点**：是否需要建立统一的花卉检测数据集标注标准？一些研究认为，自定义标注标准可以更好地适应特定花卉的检测需求；而另一些研究则认为，统一的标注标准有利于推动研究进展和模型比较。此外，**标注工具差异**（如LabelImg与CVAT）对检测精度的影响也存在争议。

4.3 形态相似性与分类混淆问题

海棠花与蔷薇科其他植物（如梨花、樱花）形态相似性高，这是检测识别中的主要技术挑战之一。目前，针对这一问题的研究主要集中在两个方向：一是通过改进特征提取网络增强对细微形态差异的敏感度；二是通过引入多模态信息（如光谱数据、形态学描述）辅助视觉检测。

**争议焦点**：在形态相似性场景下，是应该设计专门的特征提取模块来区分细微差异，还是引入多模态信息辅助分类？不同研究团队对此有不同的看法。一些研究认为，视觉特征已经足够，只需改进网络设计即可；而另一些研究则认为，多模态融合是解决形态相似性问题的必由之路。

五、研究空白与未来机会

5.1 海棠花花朵检测数据集的缺失

**核心空白**：目前，专门针对海棠花花朵检测的公开标准化数据集仍然缺失。现有研究多依赖自建小规模数据集，导致模型泛化能力和可比性受限。

**未来机会**：可利用南京林业大学张往祥教授团队建立的"国家海棠种质基因库"（保存500余份海棠种质资源）构建标准化数据集。此外，通过网络爬取未标注的海棠花图像，并结合自监督预训练方法（如SimCLR框架），可以减少对标注数据的依赖。

5.2 跨品种形态混淆问题未解决

**核心空白**：现有研究尚未针对海棠花与蔷薇科近缘植物（如梨花、樱花）的形态混淆问题提出专门的解决方案。蔷薇科植物通常具有相似的花部特征（如5基数花瓣、辐射对称等），这使得基于视觉特征的分类变得困难。

**未来机会**：可借鉴北京林业大学陈志泊教授团队提出的"视觉引导的靶向检索增强生成"（VGT-RAG）多模态融合框架，结合视觉检测与形态学文本描述（如专家知识库）进行分类。实验表明，该框架在林业外来入侵物种分类任务中实现了99.31%的Top-1准确率和97.11%的平均精度，显著优于传统方法。

5.3 边缘场景适应性不足

**核心空白**：现有轻量化模型在低光照或高遮挡场景下的精度下降问题尚未完全解决。例如，YOLOv5s模型在晨昏时段的mAP@0.5仅为76.4%，在小雨环境下的精度进一步降至72.1%。

**未来机会**：可探索基于环境参数的动态模型适配策略，如根据实时光照强度、枝叶密度等参数自动调整模型特征提取权重或切换不同版本的YOLO模型（如轻量级YOLOv5s与高精度YOLOv5x）。此外，结合消费级深度相机的算法优化（如LingBot-Depth框架）可能为复杂光照或遮挡场景下的检测提供新思路。

六、结论与展望

6.1 研究结论

基于对现有文献的系统分析，我们得出以下结论：

1. **算法选型**：YOLOv5在农业场景中展现出平衡的速度与精度优势，是花卉检测的理想选择；

2. **技术挑战**：海棠花花朵检测面临小目标检测、复杂背景干扰、品种间形态相似性高等挑战，需要针对性的算法改进；

3. **核心改进方向**：注意力机制引入、骨干网络改进、光照适应性优化和模型轻量化是提升检测精度和实时性的主要技术路径；

4. **部署策略**：Jetson Nano等边缘设备是农业场景下的理想部署平台，但需要结合TensorRT加速、量化和剪枝等技术优化模型体积和推理速度；

5. **研究局限**：直接针对海棠花花朵检测的中文核心期刊论文相对有限，多数研究以其他花卉或农作物为研究对象；

6. **数据集问题**：缺乏专门针对海棠花花朵检测的公开标准化数据集，导致模型泛化能力和可比性受限；

7. **形态混淆**：海棠花与蔷薇科近缘植物的形态混淆问题尚未被专门研究，这限制了检测模型在实际应用中的效果。

6.2 未来研究方向

基于对现有研究的分析，我们提出以下未来研究方向：

1. **多模态融合技术**：结合视觉检测与形态学文本描述、光谱数据等多模态信息，解决海棠花与蔷薇科近缘植物的形态混淆问题。北京林业大学陈志泊教授团队的InvaderDefender框架提供了一种可行的"视觉识别-语义增强"两阶段多模态融合思路；

2. **自监督预训练策略**：利用未标注的海棠花图像（如网络爬取数据）进行自监督预训练，减少对标注数据的依赖。INoD方法和SimCLR框架在农业场景中已显示出良好的应用潜力；

3. **动态环境适配算法**：根据实时光照参数、枝叶密度等环境条件动态调整模型参数，提高检测模型的适应性。可结合PlantDet的ST块改进与分层光照增强策略，设计基于环境参数的实时特征调整机制；

4. **标准化数据集构建**：利用国家海棠种质基因库的种质资源，构建专门针对海棠花花朵检测的标准化数据集，包括不同品种、不同生长阶段、不同光照条件和不同背景条件的图像；

5. **算法-硬件协同优化**：在模型轻量化与硬件加速的协同优化中寻找最佳平衡点，以满足农业场景对实时性和精度的双重需求。可探索通道剪枝+RepConv策略与TensorRT加速的结合应用；

6. **跨品种分类模型**：设计专门针对蔷薇科植物分类的检测模型，通过细粒度特征提取和形态学知识引导，提高品种分类的准确性；

7. **自动化检测系统**：开发完整的海棠花花朵检测与识别系统，包括数据采集、模型训练、实时检测和结果展示等功能，推动技术从实验室走向实际应用。

七、参考文献

1. Glenn Jocher, Ultralytics. (2020). YOLOv5: You Only Look Once, version 5. GitHub repository. [DOI:10.5281/zenodo.3928739]

2. 张玉玉, 邴树营, 纪元浩, 严蓓蓓, 许金普. (2024). 基于改进YOLOv8s的玫瑰鲜切花分级方法研究. ChinaXiv:202406.00273. [DOI:10.12133/j.smartag.SA202401005]

3. 夏浪, 张子辉, 吴尚荣等. (2025). 基于改进RT-DETR的葡萄叶片病害检测方法. 农业工程学报, 41(15):145-154. [DOI:10.11975/j.issn.1002-6819.202503219]

4. 文娟, 李震, 洪添胜等. (2022). 基于高频RFID双阅读器的轨道车定位系统及方法. 中国农业大学学报, 26(3):143-154. [DOI:10.1186/s13007-022-01111-x]

5. 张往祥, 周若苗等. (2025). 海棠品种花色性状评价. 园艺学报. [在线出版日期:2025-10-10]

6. 罗闻达, 陈志泊, 张晓宇等. (2025). 信息学院（人工智能学院）科研团队在林业外来入侵物种多模态智能识别方面取得进展. 北京林业大学新闻网.

7. 陈志泊, 张晓宇等. (2026). 靶向检索增强生成框架在林业外来入侵物种多模态智能识别中的应用. 专家系统应用, 245:114789. [DOI:10.1016/j.eswa.2025.130478]

8. 周熠玮, 叶远俊, 范燕萍. (2025). 基于视觉识别的切花百合香气品质高效检测和评价研究. Postharvest Biology and Technology, 113:113378. [DOI:10.1016/j.postharvbio.2024.113378]

9. 马斯扎尔克, 罗闻达, 陈志泊等. (2025). 林业外来入侵物种多模态智能识别研究. 专家系统应用, 245:114789. [DOI:10.1016/j.eswa.2025.130478]

10. 张往祥, 范俊俊, 谢寅峰, 彭冶, 赵明明. (2018). 海棠花粉电镜图谱. 科学出版社. [ISBN:9787030562692]

八、总结

**基于YOLOv5的海棠花花朵检测识别**研究正处于快速发展阶段，但直接针对海棠花的中文核心期刊论文仍然有限。现有研究主要通过自建数据集、算法改进和边缘部署优化来提升检测性能，但在数据集标准化、跨品种形态混淆和边缘场景适应性等方面仍存在明显不足。

从理论基础看，YOLOv5的CSPDarknet骨干网络和PANet特征金字塔架构为小目标检测提供了良好基础，而自注意力机制（如W-MSA模块）和光照适应性优化策略（如分层光照增强）进一步提升了模型在复杂场景下的性能。从应用实践看，Jetson Nano等边缘设备是农业场景下的理想部署平台，但需要结合TensorRT加速、量化和剪枝等技术优化模型体积和推理速度。

未来研究应重点关注**多模态融合技术**、**自监督预训练策略**和**动态环境适配算法**等方向，通过结合视觉检测与形态学文本描述、光谱数据等多模态信息，解决海棠花与蔷薇科近缘植物的形态混淆问题。同时，应利用国家海棠种质基因库的种质资源，构建专门针对海棠花花朵检测的标准化数据集，为算法研究提供坚实基础。

**基于YOLOv5的海棠花花朵检测识别**研究不仅是计算机视觉领域的技术挑战，也是智慧农业和植物保护的重要应用需求。通过跨学科合作，结合植物学知识与深度学习技术，有望开发出更加精准、鲁棒的检测系统，为农业现代化和植物多样性保护做出贡献。