来源：期刊VIP网 时间：
作者：李云鹏;南新元;蔡鑫;梁胤杰;勾海光;
单位：新疆大学电气工程学院;
摘要：为实现复杂环境下刺梨果实的高精度、快速识别，针对果实重叠、枝叶遮挡、光照不均等非结构化环境因素以及现有模型检测准确率低、速度慢等问题，本研究在真实采摘场景下采集图像建立刺梨果实的样本数据集，并基于改进YOLOv8n提出了一种刺梨果实识别模型YOLOv8n-UCD。首先，引入UniRepLKNet卷积模块替换传统的C2f中的Bottleneck模块，增强了特征提取和目标定位的能力。其次，在模型中添加卷积块注意力模块(CBAM),并建立Head层Detect模块与Neck层部分Concat模块的连接，提高了模型对图像中目标区域的关注度。再次，引入Dynamic Head检测头模块，该检测头综合应用了尺度、空间和任务三种注意力机制，显著提升了对刺梨果实的检测性能。最后，采用基于辅助边框损失函数的Inner-IOU思想改进引入边界框回归的损失函数(MPDIoU),以Inner-MPDIoU代替原损失函数，增强了模型对困难样本的学习能力。实验结果表明，改进后的模型检测平均精度均值(mAP@0.5)和准确率分别为93.2%和90.4%,平均单张图片检测时间为136.8 ms,权重文件大小为8.2 MB,模型整体性能优于对比的7种主流目标检测算法模型(ResNet50、VGG、YOLOv3-tiny、YOLOv5n、YOLOv6n、YOLOv8n、YOLOv10n),可为刺梨果实的自动化采摘提供技术支持。
关键词：刺梨果实;;目标检测;;YOLOv8n;;复杂环境;;深度学习
基金资助：国家自然科学基金项目(62303394)
