基于YOLOv5s的农田垃圾轻量化检测方法

针对目前垃圾检测算法在农田复杂环境下检测精度不高、检测效率低,模型复杂等问题,该研究提出了基于YOLOv5s的农田垃圾轻量化检测方法。首先,使用轻量级分类网络ShuffleNetV2的构建单元作为特征提取网络,降低模型的计算量和参数量,提高运行速度,以满足移动端的应用要求;其次,为应对模型轻量化后带来的检测精度降低,该文相继对ShuffleNetV2的构建单元进行了卷积核扩大化改进和激活函数优化,在增加部分计算量的前提下提高了模型精度;此外,为增强模型在田间环境下对目标的精准定位能力,该研究针对边界框损失函数进行了优化,将CIoU边界框损失函数高宽纵横比的损失项拆分为预测框的高宽分别与最小外接框高宽的差值,然后通过不断迭代减小差值,提高模型的收敛速度和回归精度。试验结果显示,最终的改进模型检测精度达到了90.9%,此时检测速度为74 ms/帧,计算量仅为3.6 GFLOPs,与当前主流的目标检测算法SSD、YOLOv3等相比,不仅具有更优越的检测精度和推理速度,同时还大幅减少了计算量;最后,将改进前后的模型部署到Jetson TX1和Raspberry 4B 两种边缘计算设备上进行测试,测试结果表明,改进后的YOLOv5s模型在边缘计算设备上的检测速度相对原模型提高了至少20%,同时保持了较好的检测效果,平衡了边缘计算设备对精度和速度的性能需求,为田间垃圾检测任务提供了参考。     

基于改进YOLOv5s的苹果叶片小目标病害轻量化检测方法

为解决自然环境中苹果叶片病害检测场景复杂、小目标病害检测难度高以及模型参数大无法在移动端和嵌入式设备部署等问题,提出一种基于YOLOv5s的苹果叶片小目标病害轻量化检测方法。该方法将YOLOv5s的骨干网络更改为ShuffleNet v2轻量化网络,引入CBAM（convolutional block attention module）注意力模块使模型关注苹果叶片小目标病害,添加改进RFB-s（receptive field block-s）支路获取多尺度特征,提高苹果叶片病害检测精度,并更改边界框回归损失函数为SIoU（scylla-intersection over union）,增强病斑定位能力。试验表明改进后的YOLOv5s模型在IoU大于0.5时的平均精度均值（mean average precision,mAP_0.5）和每秒传输帧数（frame per second,FPS）分别达到90.6%和175帧/s,对小目标的平均检测准确率为38.2%,与基准模型YOLOv5s相比,其mAP_0.5提升了0.8个百分点,参数量减少了6.17 MB,计算量减少了13.8 G,对小目标的检测准确率提高了3个百分点。改进后的YOLOv5s目标检测模型与Faster R-CNN、SSD、YOLOv5m、YOLOv7、YOLOv8和YOLOv5s目标检测模型相比,具有最小的参数量和计算量,对小目标病害叶斑病和锈病的检测准确率分别提高了1.4、4.1、0.5、5.7、3.5、3.9和1.5、4.3、1.2、2.1、4、2.6个百分点,该方法为真实自然环境下苹果叶片病害尤其是小目标病害的轻量化检测提供参考依据。     

基于改进YOLOv5s的轻量化金银花识别方法

为提高金银花采摘机器人的工作效率和采摘精度,实现将模型方便快速部署到移动端,该研究提出一种基于改进YOLOv5s的轻量化金银花识别方法。用EfficientNet的主干网络替换YOLOv5s的Backbone层,并在改进之后的Backbone层加入原YOLOv5s的SPPF特征融合模块,减少了模型的参数量和计算量,同时降低模型权重的大小,便于之后移动端的部署;其次,为提高模型对于金银花的识别效果,该研究在Neck层中用CARAFE上采样模块替换原始模型中的上采样模块,在略微提高参数量的前提下提高了模型识别金银花的精确度和平均精度,提高了采摘效率。试验结果显示,改进后的轻量化模型参数量仅为3.89 × 10⁶ M,为原始YOLOv5s模型的55.5%;计算量仅为7.8 GFLOPs,为原始模型的49.4%;权重仅为7.8 MB,为原始模型的57.4%,并且精确度和平均精度达到了90.7%和91.8%,相比原始YOLOv5s模型分别提高1.9和0.6个百分点。改进后的轻量化模型与当前主流的Faster-RCNN、SSD、YOLO系列目标检测模型相比,不但提高了检测精度,还大幅减少了模型的参数量、计算量和权重大小,研究结果为后续金银花采摘机器人的识别和移动端的部署提供了参考和依据。     

基于改进YOLOv5s的河蟹与饵料检测方法

针对目前在水下复杂环境中池塘养殖河蟹与饵料的检测算法存在检测精度低、速度慢等问题,该研究提出了基于改进YOLOv5s（you only look once version 5 small）的河蟹与饵料检测方法。首先,采用轻量化卷积Ghost替换普通卷积,同时利用GhostBottleneck结构替换原主干网络中的残差结构快速提取网络特征,减少模型计算量,满足安卓端的应用要求。其次,为了弥补因网络参数量减少造成网络检测精度稍有降低的问题,借鉴BiFPN（bidirectional feature pyramid network）的思想改进原始YOLOv5s的双向融合骨干网络,以较低的计算成本提高网络对小目标的检测精度。此外,为了帮助网络进一步更好地识别目标,加入了CA（coordinate attention）注意力机制,使得图像中感兴趣的区域能够更准确地被捕获。试验结果表明：该研究改进模型平均精度均值为96.9%,计算量为8.5GFLOPs,与当前主流的单阶段有锚框目标检测算法SSD（single shot multibox detector）和YOLOv3相比,具有更高的检测精度以及更少的计算量。相比于原始YOLOv5s模型,本文改进模型平均精度均值提高了2.2个百分点,计算量和模型内存都降低了40%以上。最后,将改进前后的模型部署到安卓设备上测试。测试结果表明：改进后模型的平均检测速度为148ms/帧,相较于原始模型检测速度提高了20.9%,并且保持了较好的检测效果,平衡了安卓设备对模型检测精度以及速度的性能需求,能够为河蟹养殖投饵量的精准确定提供参考。     

基于改进YOLOv8的轻量化小麦病害检测方法

为提高小麦病害检测精度,实现将模型方便快速部署到移动端,该研究提出了一种基于改进YOLOv8的轻量化小麦病害检测方法。首先,使用PP-LCNet模型替换YOLOv8网络结构的骨干网络,并在骨干网络层引入深度可分离卷积（depthwise separable convolution, DepthSepConv）结构,减少模型参数量,提升模型检测性能;其次,在颈部网络部分添加全局注意力机制（global attention mechanism, GAM）模块,强化特征中语义信息和位置信息,提高模型特征融合能力;然后,引入轻量级通用上采样内容感知重组（content-aware reassembly of features,CARAFE）模块,提高模型对重要特征的提取能力;最后,使用Wise-IoU(weighted interpolation of sequential evidence for intersection over union)边界损失函数代替原损失函数,提升网络边界框回归性能和对小目标病害的检测效果。试验结果表明,对于大田环境下所采集的小麦病害数据集,改进后模型的参数量及...     

基于改进YOLOv5s的草莓多阶段识别检测轻量化算法

为解决草莓采摘过程中被遮挡及目标较小情况下漏检的问题,同时提升草莓的识别精度与计算速率,该研究提出了一种基于改进的轻量级Mobile-YOLOv5s草莓识别检测算法。首先,为了提高计算效率,使用了轻量化的MobileNetV3网络替代了原始的YOLOv5s主干网络,并引入了Alpha-IoU损失函数以加快模型的收敛速度,提高对重叠目标的识别准确率;其次,考虑到草莓目标较小的情况,使用K-Means++算法对原始YOLO的anchor进行重聚类,并增加了一个检测头,使其更加适应草莓的尺寸。试验结果表明,改进后的网络模型检测帧率为44帧/s,比原模型提升了15.7%;计算量为8.3×10⁹/s,比原模型降低了48%;模型大小为4.5 MB,比原模型降低了41.5%;成熟草莓检测精度为99.5%,均值平均精度为99.4%,相较于原YOLOv5s算法分别提高了3.6和9.2个百分点。改进后的模型可以更快速、准确地识别出各阶段的草莓,为草莓智能化采摘提供技术支撑。     

水下底栖生物轻量化目标检测算法YOLOv7-RFPCW

针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW。对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。     

基于改进YOLOv8n的香梨目标检测方法

针对非结构化环境下香梨识别准确率低,检测速度慢的问题,该研究提出了一种基于改进YOLOv8n的香梨目标检测方法。使用Min-Max归一化方法,对YOLOv3-tiny、YOLOv5n、YOLO6n、YOLOv7-tiny和YOLOv8n评估选优;以YOLOv8n为基线,进行以下改进：1）使用简化的残差与卷积模块优化部分C2f（CSP bottleneck with 2 convolutions）进行特征融合。2）利用simSPPF（simple spatial pyramid pooling fast）对SPPF（spatial pyramid pooling fast）进行优化。3)引入了PConv(partial convolution)卷积,并提出权重参数共享以实现检测头的轻量化。4）使用Inner-CIoU（inner complete intersection over union）优化预测框的损失计算。在自建的香梨数据集上,指标F_0.5分数（F_0.5-score）和平均精度均值(mean average precision, mAP)比原模型分别提升0.4和0.5个百分点,达到94.7%和88.3%。在GPU和CPU设备上,检测速度分别提升了34.0%和24.4%,达到了每秒99.4和15.3帧。该模型具有较高的识别准确率和检测速度,为香梨自动化采摘提供了一种精确的实时检测方法。     

基于改进YOLOv5s的轻量化蟹塘障碍物检测与定位方法

蟹塘中不定期放置不同类型、不同大小的养殖装置影响无人作业船的自动巡航作业,为了提高无人作业船的工作效率和安全性,该研究提出一种改进YOLOv5s的轻量化蟹塘障碍物检测模型,并结合深度相机对蟹塘障碍物进行定位。改进模型从平衡检测速度和检测精度的角度出发,首先将ShuffleNetV2轻量化网络作为主干特征提取网络,大幅缩减模型体积;其次在不增加计算量的同时引入SENet注意力机制,加强对蟹塘障碍物目标的特征感知;接着将SPPF模块改进为SPPFCSPC模块,增强不同尺度下蟹塘障碍物的检测效果;最后采用SIoU损失函数加速模型收敛,提高检测的准确性。改进模型结合RealSense D435i深度相机获取的彩色图像对障碍物进行检测,并得到障碍物中心点在蟹塘坐标系下的三维坐标和障碍物的投影宽度。试验结果表明,改进模型对竹竿、蟹笼、增氧机3类障碍物具有良好的区分度和识别效果,与原始YOLOv5s模型相比,改进模型的参数量和计算量分别减小了62.8%和80.0%,模型大小仅为5.5 MB,单张图像的检测速度达15.2 ms,检测速度提升了44.5%,平均精度均值（mean average prec...     

改进YOLOv3的复杂环境下红花丝检测方法

天气变化、光照变化、枝叶遮挡等复杂环境给红花丝的快速、准确检测带来挑战,影响红花采摘机器人的作业效率,该研究基于改进YOLOv3提出了一种目标检测算法（GSC-YOLOv3）。首先GSC-YOLOv3采用轻量级网络幻影结构GhostNet替换主干特征提取网络,并在保证良好检测精度的前提下,最大限度压缩算法参数,提高算法速度,从而使用少量参数生成红花丝有效特征;其次使用空间金字塔池化结构（spatial pyramid pooling,SPP）实现特征增强,弥补提取红花丝特征过程中的信息损失;最后将卷积块注意力模块（convolutional block attention module,CBAM）融入特征金字塔结构,以解决特征融合过程中的干扰问题,提高算法的检测效率和精度。检测结果表明：GSC-YOLOv3算法在测试集下的平均精度均值达到91.89%,比Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7算法分别高12.76、2.89、6.35、3.96、1.87、0.61个百分点;在GPU下的平均检测速度达到51.1 帧/s,均比其他6种算法高。在复杂场景下的对比试验结果表明,所改进算法具有高检测精度及良好的鲁棒性和实时性,对解决红花采摘机器人在复杂环境下红花丝的精准检测具有参考价值。     

基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法

渔船捕捞信息量化是开展限额捕捞精细化管理的前提,为解决中国毛虾限额捕捞目标识别和信息统计量化问题,研究了在中国毛虾限额捕捞渔船上安装电子监控（electronic monitoring,EM）设备,并基于YOLOv7提出一种改进的目标检测算法（YOLOv7-MO）和目标计数算法（YOLOv7-MO-SORT）。YOLOv7-MO目标检测算法采用MobileOne作为主干网络,在输出端head部分加入C3模块,并完成剪枝操作;YOLOv7-MO-SORT目标计数算法将SORT（simple online and realtime tracking）算法中的Fast R-CNN替换为YOLOv7-MO,用于检测捕捞作业中抛出的锚和装有毛虾的筐。采用卡尔曼滤波和匈牙利匹配算法对检测到的目标进行跟踪预测,设置碰撞检测线、时间戳、阈值和计数器,实现对捕捞作业过程中渔获毛虾筐数和下网数量计数。结果表明：1）改进后的YOLOv7-MO在测试集上的平均检测精度、召回率、F1得分分别达到了97.3%,96.0%,96.6%,相比YOLOv7模型分别提升了2.0、1.1和1.5个百分点。2）改进后的YOLOv7-MO模型大小、参数量和浮点运算数分别为64.0 MB、32.6 M、39.7 G,相比YOLOv7模型分别缩小了10.2%、10.6%和61.6%。3）以YOLOv7-MO为检测器的SORT算法毛虾捕捞作业计数准确率在统计毛虾筐数和下网数量上分别达到80.0%和95.8%。YOLOv7-MO在提高检测精度的同时减轻了模型量级,提高了检测效率。结果表明,该研究能够为实现渔船捕捞作业信息记录自动化和智能化提供方法,为毛虾限额捕捞管理提供决策参考依据。     

基于机器视觉的鲐鱼鱼体定向排列输送装置设计与试验

针对传统鱼体头尾及腹背定向输送由人工操作完成,劳动强度大、生产效率低等问题,该研究探索了利用机器视觉技术结合输送装置实现鱼体头尾及腹背定向排列输送的方法。该研究以鲐鱼(Scomber japonicus)为研究对象,在对鱼体形态特征及物理特性检测的基础上,设计了鱼体提升装置、鱼体分离输送装置、鱼体头尾及腹背定向输送装置、鱼体返回输送装置、定向控制系统等部件组成鲐鱼鱼体定向排列输送装置;构建YOLOv5s目标检测模型对鲐鱼的头尾朝向和腹背朝向进行识别,并根据识别结果控制鱼体定向排列输送完成鲐鱼的头尾和腹背定向作业,检测模型在测试集上的精确率为99.76%,召回率为99.59%,平均检测精度值为99.5%;试制了鱼体定向排列输送装置样机,以单条鱼体提升成功率为评价指标,对不同输送速度下鱼体提升装置的输送效果进行试验;同时以鱼体的头尾定向成功率和腹背定向成功率作为评价指标,以鱼体提升装置输送速度、鱼体分离输送装置输送速度、鱼体头尾及腹背定向输送装置输送速度为试验因素,对鱼体定向排列输送装置的定向输送效果进行试验。试验结果表明：鱼体提升装置在不同输送速度下,都能有效实现鱼体单条分离并向上提升,且不存在鱼体重叠向上输送的情况;当鱼体提升装置输送速度为0.05 m/s、鱼体分离输送装置输送速度为0.45 m/s、鱼体头尾及腹背定向输送装置输送速度为0.60 m/s时,鲐鱼鱼体的头尾定向成功率平均为97.2%,腹背定向成功率平均为95.6%,鱼体定向输送速度可达15条/min。研究结果可为其他淡水鱼鱼体定向排列输送装置的研制提供参考。     

基于YOLOv8-ABW的黄花成熟度检测方法

为实现黄花成熟度的快速、高精度识别,针对其相似特征识别精确度低以及相互遮挡检测困难的问题,提出一种基于YOLOv8-ABW的黄花成熟度检测方法。该研究在特征提取网络中加入结合注意力机制的尺度特征交互机制(attention based intra-scale feature interaction, AIFI),更好地提取黄花特征信息,提高检测的精确度。在特征融合网络中,进一步采用加权的双向特征金字塔特征融合网络(bidirectional feature pyramid network, Bi FPN),实现更高层次的跨通道特征融合,有效减少通道中的特征冗余。此外使用WIoUv3作为损失函数,聚焦普通质量的锚框,提高模型的定位性能。试验结果表明：YOLOv8-ABW模型检测精确度为82.32%,召回率为83.71%,平均精度均值mAP@0.5和mAP@0.5:0.95分别为88.44%和74.84%,调和均值提升至0.86,实时检测速度为214.5帧/s。与YOLOv8相比,YOLOv8-ABW的精确度提高1.41个百分点,召回率提高0.75个百分点,mAP@0.5和mAP@0.5:0.95分别提升1.54个百分点和1.42个百分点。对比RT-DETR、YOLOv3、YOLOv5、YOLOv7模型,YOLOv8-ABW参数量最少,仅为3.65×10⁶,且模型浮点运算量比YOLOv7少96.3 G。体现出YOLOv8-ABW 模型能够在黄花成熟度检测中平衡检测精确度和检测速度,综合性能最佳,为黄花智能化实时采摘研究提供技术支持。     

基于显著性特征的蝴蝶兰组培苗夹取点检测方法

为了提高蝴蝶兰自动化快速繁育过程中组培苗夹取点视觉检测的适应性和效率,该研究提出了一种基于改进U²-Net显著性检测网络（MBU²-Net⁺）的组培苗夹取点定位方法。首先,通过显著性检测网络得到蝴蝶兰组培苗的显著性图像;然后,对显著性图像进行骨架提取,并经过形态学分析计算定位组培苗夹取点;最后,将夹取点位置数据发送给机械臂进行夹取。在图像显著性检测试验中,MBU²-Net⁺的平均绝对误差为0.002,最大F₁分数为0.993,FPS（frames per second,每秒帧率）为33.99 帧/s,模型权重大小为2.37 MB;在组培苗夹取试验中,4组共112颗苗的夹取点提取成功率为85.71%。为验证该研究的适应性,将其应用于各阶段组培苗以及部分虚拟两叶苗共11株种苗的夹取点提取,成功率为81.82%,使用该方法对不同时期的蝴蝶兰组培苗进行夹取点检测,具有较高的成功率。研究结果可为发展组培苗自动化快速繁育技术提供参考。     

The combined effects of enhanced UV-B radiation and selenium on growth, chlorophyll fluorescence and ultrastructure in strawberry (Fragaria × ananassa) and barley (Hordeum vulgare) treated in the field

The possible ameliorative effects of selenium (Se) addition to soil on the detrimental effects of enhanced UV-B radiation were tested on strawberry and barley during 4 months of field experiment in Kuopio, Central Finland. Control plants were exposed to ambient levels of UV radiation, using arrays of unenergized lamps. A control for UV-A radiation was also included in the experiment. Added Se, applied as H₂SeO₄, at the level of 0.1 mg kg⁻¹ soil (low dosage) and 1 mg kg⁻¹ soil (high dosage) increased Se concentrations in plants more than 10 and 100 times, respectively. After 4 months of exposure, strawberry and barley plants were harvested for biomass analysis. Chlorophyll fluorescence was measured using the Hansatech FMS2 fluorescence monitoring system. Leaf anatomy and ultrastructure were observed by light and transmission electron microscope. Several effects of UV and Se as well as their interaction were found, mostly for strawberry, but not for barley, indicating species-specific responses. Our results provided evidence that the high Se concentration in soil had no ameliorative effect but increased the sensitivity of strawberry to enhanced UV-B radiation in the field. Under ambient radiation, Se did not alter leaf growth of strawberry, whereas under UV-B radiation, the high Se addition significantly decreased leaf growth. Strawberry runner biomass was affected by the interaction of Se and UV. Under ambient radiation Se did not change dry weight of runners, but in combination with UV-A or UV-B radiation the high Se dosage decreased dry weight of runners by about 30%. Although the high Se concentration positively influenced on quantum efficiency of photosystem II (PSII) in strawberry leaves, it reduced runner biomass, leaf number and ratio of starch to chloroplast area. This suggests that the harmful effects of the high Se dosage on photosynthetic processes occurred as a result of changes in activity or/and biosynthesis of enzymes, rather than alteration of PSII. At the low concentration, Se effects were slight and variable.Although barley leaves accumulated higher Se concentrations than strawberry, there were no apparent changes in their growth, biomass or chlorophyll fluorescence due to Se effect either alone or in combination with UV-B. However, at the ultrastructural level, an enlargement in the peroxisome area was found due to combination of UV radiation with Se, suggesting the activation of antioxidative enzymes, possibly catalase. Decrease in mitochondrial density in barley cells in response to Se might be attributed to alteration of mitochondrial division. Increase in the proportion of cells with cytoplasmic lipid bodies due to combined effect of UV-B and Se indicated the alteration of lipid metabolism and the acceleration of cell senescence in barley. Main UV-B effects were found, mostly at the tissue and ultrastructural level in strawberry, but not in barley, indicating species-specific susceptibility to enhanced UV-B radiation. UV-B-treated strawberry plants developed marginally thinner leaves with reduced ratio of starch to chloroplast area in their cells, suggesting negative influence of UV-B on photosynthetic processes.     

垄沟集雨对紫花苜蓿草地土壤水分、容重和孔隙度的影响

在旱作条件下, 将垄沟集雨措施应用于紫花苜蓿种植, 研究沟垄宽比和覆膜方式对2年龄紫花苜蓿草地土壤水分状况、土壤容重及孔隙度的影响。结果表明: 全越冬期, 膜垄和土垄处理0~120 cm土壤水分平均散失量分别低于CK(平作)28.43 mm和13.61 mm。膜垄处理整个集雨期的蓄墒增加率为59.03%~99.27%, 产流效率为53.43%~91.72%; 2009年集雨前期(4月上旬~6月上旬)土垄处理的蓄墒增加率、产流效率分别为1.92%~2.74%和1.71%~2.55%, 2009年集雨中后期(6月中旬~9月下旬)土垄处理的蓄墒增加率、产流效率较集雨前期显著升高, 分别为8.85%~36.77%和8.01%~35.82%; 膜垄和土垄处理的蓄墒增加率、产流效率均随垄面宽度增加而显著增加, 且膜垄的蓄墒增加率、产流效率显著高于土垄处理。垄沟集雨种植能够显著降低0~40 cm土壤层容重, 且0~20 cm土壤层容重降幅表现为膜垄大于土垄。垄沟集雨种植也能够显著增加0~40 cm土壤层孔隙度, 且0~20 cm土壤层孔隙度增幅表现为膜垄大于土垄。     

Effects of heavy metals on the litter consumption by the earthworm Lumbricus rubellus in field soils

Aim of this study was to determine effects of heavy metals on litter consumption by the earthworm Lumbricus rubellus in National Park the “Brabantsche Biesbosch”, the Netherlands. Adult L. rubellus were collected from 12 polluted and from one unpolluted field site. Earthworms collected at the unpolluted site were kept in their native soil and in soil from each of the 12 Biesbosch sites. Earthworms collected in the Biesbosch were kept in their native soils. Non-polluted poplar (Populus sp.) litter was offered as a food source and litter consumption and earthworm biomass were determined after 54 days. Cd, Cu and Zn concentrations were determined in soil, pore water and 0.01 M CaCl₂ extracts of the soil and in earthworms. In spite of low available metal concentrations in the polluted soils, Cd, Cu and Zn concentrations in L. rubellus were increased. The litter consumption rate per biomass was positively related to internal Cd and Zn concentrations of earthworms collected from the Biesbosch and kept in native soil. A possible explanation is an increased demand for energy, needed for the regulation and detoxification of heavy metals. Litter consumption per biomass of earthworms from the reference site and kept in the polluted Biesbosch soils, was not related to any of the determined soil characteristics and metal concentrations.