田有文教授等:基于改进YOLOv8的田间复杂环境下蓝莓成熟度检测

阅读文章全文：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202312044

《农业工程学报》2024年第40卷第16期刊载了沈阳农业大学等单位田有文、覃上声、闫玉博、王佳晖与姜凤利的论文——“基于改进YOLOv8的田间复杂环境下蓝莓成熟度检测”。该研究由辽宁省教育厅基础研究项目（项目号：LSNJC201906，LJKMZ20221033）资助。

引文信息：田有文，覃上声，闫玉博，等. 基于改进YOLOv8的田间复杂环境下蓝莓成熟度检测[J]. 农业工程学报，2024，40(16)：153-162.

DOI: 10.11975/j.issn.1002-6819.202312044

为了快速精确识别田间复杂环境下的蓝莓果实的成熟度，该研究基于YOLOv8提出了一种蓝莓成熟度轻量化检测模型（MSC-YOLOv8）。首先，为了有效减少参数量，提高模型的运行速度，采用MobileNetV3为主干特征提取网络进行特征信息的提取，有利于田间复杂环境下的检测。其次，在主干特征提取网络中插入卷积注意力机制模块（convolutional block attention module，CBAM），以提高深度学习网络对蓝莓特征提取的能力。最后，引入SCYLLA-IoU（SIoU）作为YOLOv8的边界框回归损失函数，以解决真实框与预测框角度不匹配的问题，进一步提高蓝莓成熟度识别的准确率。

通过试验得出改进的MSC-YOLOv8模型相较于YOLOv8平均精度均值（mean average precision，mAP）提升了3.9个百分点，单张图片平均检测时间比原YOLOv8减少了3.97 ms。改进的MSC-YOLOv8模型在蓝莓数据集上取得了较优的结果，与SSD和CenterNet模型对比，mAP分别提升了4.6和1.1个百分点，在检测速度和准确率方面均有优势。该研究可为田间复杂环境下蓝莓机器人采摘提供技术支持。