改进YOLOv8助力实时菠萝成熟度检测
文摘
三农
2024-11-01 11:10
湖北
菠萝作为高产且经济效益显著的农作物，目前大多依赖人工进行采摘，然而这种传统方式不仅成本高昂，采摘质量也难以稳定。随着农业技术的进步，机器自动化采摘逐渐成为趋势。在自然环境下如何精准检测菠萝的成熟度，成为自动化采摘研究中的关键问题。
![]()
广东海洋大学电子与信息工程学院王骥教授团队在《华中农业大学学报》2024年第5期发表了《基于改进YOLOv8的实时菠萝成熟度目标检测方法》的研究论文。该研究针对自然环境下菠萝机械采摘中存在目标小、数量密集和光线遮挡等问题，改进模型把原始YOLOv8模型中主干部分、颈部部分的公共卷积替换成深度可分离卷积（depthwise separable convolution，DSConv），精简模型参数；在融合特征前增加了卷积注意力机制模块（convolutional block attention module，CBAM），使特征融合更关注重要的特征，提升目标检测的准确率；使用EIoU损失函数替换YOLOv8网络原损失函数 CIoU，加快网络收敛速度。结果显示，改进模型对菠萝成熟度检测的平均精度均值为 97.33%，与Faster R-CNN、YOLOv4、YOLOv5、YOLOv7对比发现，平均精度均值分别提升5.53、7.91、4.38、4.66百分点；在保证检测精度的前提下，算法模型参数量仅为16.8×106。结果表明，改进模型提高了菠萝成熟度识别的精度和推理速度，具有更强的鲁棒性。该研究不仅为自动化采摘提供了精准的成熟度识别，还为菠萝产业的高效化和品质保障开辟了新的路径。![]()
本研究获广东省普通高校重点领域新一代信息技术专项（2020ZDZX3008）的资助。
周涛, 王骥, 麦仁贵. 基于改进YOLOv8的实时菠萝成熟度目标检测方法[J]. 华中农业大学学报, 2024, 43(5): 10-20.
DOI:10.13300/j.cnki.hnlkxb.2024.05.002
![]()
