来源：期刊VIP网 时间：
作者：廖新芝;孔国希;林桂潮;曹惠茹;李小敏;
单位：仲恺农业工程学院机电工程学院;广州工程技术职业学院信息工程学院;
摘要：在农业自动化和精准农业的背景下，果实识别检测是智能收获系统中的重要环节。快速且准确地识别番茄果实大小、数量、位置等信息，对番茄生长状况实时监测、产量检测和提高采摘效率具有重要意义。然而，现有的基于深度学习的目标检测算法在番茄果实检测领域仍面临挑战，由于现实应用的需要，期待目标检测模型更加精确化和快速化，然而这两者难以同时兼顾，所以在实际应用中，根据应用需求来权衡这两者的关系。笔者提出一种基于YOLOv8的番茄检测改进模型，将CBAM注意力机制加入到YOLOv8模型的特征提取环节。CBAM体积小，可方便集成在任一CNN架构中，有效抑制噪声和无关信息，动态调整特征图的权重，提升模型检测的精确率。经过试验，该模型的精确率、召回率、平均精度分别达到了91%、78%和90%，与SSD相比，分别提升21、14和15个百分点；与Faster RCNN相比，分别提升了13、11和15个百分点；与原始的YOLOv8相比，分别提升了5、3和7个百分点。这说明了CBAM-YOLOv8模型降低了误检率和漏检率。在预测时间方面，YOLOv8的综合耗时最短。相比之下，CBAM-YOLOv8模型所需的预测时间有所增加，推断速度更慢，从而增加了计算成本。因此，在实际应用中需要在精度与速度之间进行权衡。综上所述，CBAM-YOLOv8模型为番茄果实精准、高效识别提供了一种有效的解决方案，将来可应用于番茄实时监测、计数和采摘中。
关键词：番茄识别;;目标检测;;注意力机制;;CBAM-YOLOv8
基金资助：国家自然科学基金面上项目(32472015)
