果园复杂环境下的酥梨检测算法研究
来源：江苏农业科学杂志2025年第第11期北京时间：
作者：杨国亮;孙刘衍;洪鑫芳
单位：江西理工大学电气工程与自动化学院，江西赣州 341000
摘要：针对现有目标检测算法对图像中尺寸小、分辨率低和特征不明显的酥梨检测效果较差的问题，提出了一种基于改进YOLO v8n的果园酥梨检测算法。将原算法中的大、中、小检测层改为中小、微小检测层，提高网络模型对酥梨小目标的检测能力，降低小目标的漏检率；利用KernelWarehouse动态卷积的思想，设计了KWC2f模块，在不增加网络深度的情况下，提升模型的表达能力；设计了DmixerP模块插入到主干网络中，使酥梨检测模型在保持强大归纳偏差的同时扩大网络的感受野，能够在更广阔的范围内感知和理解酥梨的环境背景和特征，从而提高果园酥梨检测的准确性和泛化能力；最后，将原始YOLO v8的头部替换为整合了DyHead的检测头。通过将尺度、空间和任务3种注意力机制结合统一，进一步提升了模型的检测性能。结果表明，改进后的算法在酥梨目标检测图像数据集上召回率、精确率和AP50分别达到86.0%、84.3%和92.5%，相比原模型均有提升，同时与目前主流的目标检测算法进行对比研究，AP50:95分别比Faster-RCNN、SSD、YOLO v3-tiny、YOLO v4-tiny、YOLO v5n、YOLO v7-tiny和原始YOLO v8n模型高了30.1、47.2、12.1、43.2、7.6、10.4、3.5百分点，在中远距离小目标检测时效果改善明显，同时模型大小仅有551 MB，适合部署在采摘机器人上和用于果园产量预测等，有非常广阔的应用前景。
关键词：酥梨检测;果园环境;检测层;动态卷积;DmixerP模块;注意力机制
