基于改进YOLOv8的果园复杂环境下苹果检测模型研究

来源：南京信息工程大学学报·自然科学版杂志2025年第1期北京时间：

作者：岳有军，漆潇，赵辉，王红君

单位：岳有军,天津理工大学 电气工程与自动化学院, 天津, 300384,漆潇,天津理工大学 电气工程与自动化学院, 天津, 300384,赵辉,天津理工大学 天津市复杂系统控制理论及应用重点实验室, 天津, 300384,王红君,天津理工大学 天津市复杂系统控制理论及应用重点实验室, 天津, 300384

摘要：为了使采摘机器人能够在果园复杂环境下(如不同光照条件、叶子遮挡、密集的苹果群和超远视距等场景)对成熟程度各异的苹果果实进行快速且精确的检测,本文提出一种基于改进YOLOv8的苹果果实检测模型.首先,将EMA注意力机制模块集成到YOLOv8模型中,使模型更加关注待检测果实区域,抑制背景和枝叶遮挡等一般特征信息,提高被遮挡果实的检测准确率;其次,使用提取特征更加高效的三支路DWR模块对原始C2f模块进行替换,通过多尺度特征融合方法提高小目标检测能力;同时结合DAMO-YOLO的思想,对原始YOLOv8颈部进行重构,实现高层语义和低层空间特征的高效融合;最后,使用Inner-SIoU损失函数对模型进行优化,提高识别精度.在复杂的果园环境中,以苹果作为检测对象,实验结果表明:本文所提算法在测试集下的查准率、召回率、mAP0.5、mAP0.5~0.95以及F1分数分别达到86.1%、89.2%、94.0%、64.4%和87.6%,改进后的算法在大部分指标上均优于原始模型.在不同数量果实场景下的对比实验结果表明,该方法具有优异的鲁棒性.

关键词：模式识别;深度学习;目标检测;YOLOv8

基金资助：天津市科技支撑计划(19YFZCSN00360,18YFZCNC01120)