A detecção rápida e precisa do grau das folhas de tabaco flue-cured tem grande importância para o desenvolvimento de equipamentos inteligentes de classificação de tabaco, promovendo a gestão detalhada dos produtos agrícolas. Para lidar com o problema da dificuldade em distinguir folhas de tabaco flue-cured com alta similaridade, mas graus diferentes, este artigo propõe uma rede de detecção do grau das folhas de tabaco flue-cured baseada na fusão adaptativa de características de múltiplos campos receptivos e ajuste dinâmico da perda (Flue-cured Tobacco Leaf Grade Detection Network, FTGDNet). Primeiramente, o FTGDNet utiliza CSPNet como a rede principal de extração de características e GhostNet como a rede auxiliar para melhorar a capacidade de extração de características do modelo; em seguida, incorpora um módulo explícito de gargalo central visual (Explicit Visual Center Bottleneck module, EVCB) no final da rede principal para realizar a fusão de informações globais e locais das características; depois, constrói um módulo de fusão adaptativa de características de múltiplos campos receptivos (Multi-Receptive Field Feature Adaptive Fusion module, MRFA_d), utilizando o mecanismo de fusão de características por atenção (Attention Feature Fusion, AFF) para realizar uma fusão adaptativa ponderada dos mapas de características de diferentes campos receptivos, fortalecendo o campo receptivo local do modelo e destacando informações efetivas dos canais; por fim, projeta uma nova função de perda de localização (More Complete IoU Loss, MCIoU_Loss), que combina a perda da área entre a caixa prevista e a caixa real para resolver o problema da degradação do desempenho do CIoU_Loss e da queda da precisão de localização quando a proporção largura-altura é igual e o ponto central coincide durante a regressão, além de introduzir um coeficiente de atenuação da similaridade retangular para ajustar dinamicamente o termo de discriminação da similaridade entre a caixa real e a prevista durante o treinamento, acelerando o ajuste do modelo. Os resultados experimentais mostram que o FTGDNet alcança uma precisão de validação de 90,0% e uma precisão de teste de 87,4% para dez graus de folhas de tabaco flue-cured, com tempo de inferência de apenas 12,6 ms. Comparado a vários algoritmos avançados de detecção de objetos, o FTGDNet possui maior precisão e velocidade de detecção, podendo fornecer suporte técnico fundamental para a detecção de grau de folhas de tabaco flue-cured de alta precisão.

folhas de tabaco flue-cured;detecção de objetos;fusão de características de múltiplos campos receptivos;ajuste dinâmico da perda