来源：期刊VIP网 时间：
作者：冯峰;孔淳;陈诗瑶;马春悦;王琛;郭秀茹;孙博;王志军;
单位：山东农业大学信息科学与工程学院;
摘要：黄精是重要的药食同源品种，在黄精的种植与育种过程中，通常采用基于个人经验的人工方式进行种子成熟度识别，但该方式存在主观性强、精确度不稳定的问题，会在一定程度上影响种植后黄精的产量和质量，进而影响黄精产品的品质和下游产业的经济效益；另一方面，由于黄精种植地块通常较为分散，使得人工识别种子成熟度的方式较为低效。为了解决以上问题，本研究提出一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型——YOLOv8n-FasterNet-EMA。首先，在模型轻量化方面，通过将YOLOv8n主干网络中原本的卷积替换为FasterNet的PConv卷积结构，与Bottleneck层结合后得到新的c2f-FasterNet模块，从而减小模型的计算量与内存消耗；其次，在模型泛化性能方面，通过使用EMA注意力机制与YOLOv8n颈部网络中检测处的c2f模块结合，提升模型的特征提取能力，进而改善模型的泛化能力。为验证所提模型的性能，在构建的黄精种子成熟度数据集上进行了对比实验，结果表明，与原YOLOv8n模型相比，本研究所提模型在平均识别精度上提升了2.1%,同时模型的参数量降低了21.3%;此外，与SSD、YOLOv5n相比，本研究所提模型在识别精度和速度上也取得一定的提升。因此，YOLOv8n-FasterNet-EMA能有效识别黄精种子的成熟度，这对实现黄精种子成熟度的智能化识别，进而提升黄精育种的质量、改善下游产业的经济效益均具有重要的实际意义。
关键词：黄精;;种子成熟度识别;;卷积神经网络;;YOLOv8n;;FasterNet;;EMA注意力机制
基金资助：山东省重大科技创新工程项目“现代果园智慧种植装备与大数据平台研发及示范应用”(2019JZZY010706);; 山东省自然科学基金面上项目“基于类重叠视角的类不平衡数据分类方法研究”(ZR2023MF098)
