基于改进YOLO v8的温室草莓成熟度智能实时识别  

Intelligent real-time recognition of strawberry maturity in greenhouses based on improved YOLO v8

作　　者：沈桂芳 张平[2] Shen Guifang

机构地区：[1]洛阳科技职业学院信息与数字工程学院,河南洛阳471000 [2]河南科技大学数学与统计学院,河南洛阳471000

出　　处：《江苏农业科学》2025年第5期62-72,共11页Jiangsu Agricultural Sciences

基　　金：河南省高等学校重点科研资助项目(编号:23A520058);河南省高等学校重点科研项目(编号:23B880058)。

摘　　要：为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型为基线。首先,在YOLO v8模型的骨干网络和颈部网络中引入动态蛇形卷积(DSConv),替换原有的卷积层,减少模型的参数量,同时增强对细微特征的捕获能力,提高特征学习效率。其次,通过融入多尺度通道注意力(MCA)机制,减轻背景干扰,增强了对目标区域的关注,以应对目标遮挡和背景干扰问题。最后,为了进一步优化模型性能,采用SIoU损失函数替换原有的CIoU损失函数,通过改进惩罚项并利用位置信息,以促使检测框更加准确地逼近目标框,提高模型的回归精度。在自制的草莓成熟度检测数据集上,模型检测精度mAP@0.5高达95.24%,超越Faster-RCNN、SSD、centerNet、YOLOX和原始YOLO v8等5种主流目标检测算法。此外模型的浮点运算次数、参数量和识别速度分别为268.7亿次、10.92 M和55.7帧/s,证明其满足实时检测需求。在嵌入式平台上的进一步测试证实,即便在资源受限的硬件条件下,改进的YOLO v8模型依然能够实现准确性和鲁棒性的实时检测。对农业自动化与智能化的进步具有重要贡献。

关 键 词：草莓成熟度检测 YOLO v8 蛇形卷积 MCA注意力 SIoU 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]