基于改进YOLO v8的温室草莓成熟度智能实时识别

来源：江苏农业科学杂志2025年第第5期北京时间：

作者：沈桂芳;张平

单位：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

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