基于改进YOLOv8的巨峰葡萄检测方法研究

来源：中国农机化学报杂志2026年第1期北京时间：

作者：赵鑫, 熊海峰, 刘华伟

单位：1. 山西铁道职业技术学院智能控制系，太原市，030013； 2. 太原理工大学信息与计算机学院，太原市，030024； 3. 山西农业大学信息科学与工程学院，山西晋中，030800

摘要：巨峰葡萄果实在自然环境中存在多样的形态、复杂的背景和光照变化，传统目标检测方法难以满足实际需求。针对这一问题，提出一种基于改进YOLOv8模型的巨峰葡萄目标检测方法，通过引入SPD—Conv、SPPF—LSAK和CloFormer模块对模型结构进行优化，以提高模型对复杂场景中目标特征的表征能力。试验结果表明，改进后的模型在精确率(P)、召回率(R)和平均精度均值(mAP)指标上均显著优于原始YOLOv8模型，mAP由86.89%提升至92.24%，精确率由87.34%提升至90.77%，召回率由82.47%提升至84.68%。与现有的YOLOv5、YOLOv6、YOLOv8及YOLOv10模型相比，改进后的模型在相同试验条件下检测精度提高2.14~6.60个百分点，同时在检测速度(FPS)方面表现出更高的实时性，达到87帧/s。在测试集图像的对比分析中，改进的YOLOv8模型在检测精度、细节捕捉能力优于原始模型，显著提升模型在复杂背景下的检测效果。为精准农业中的巨峰葡萄果实检测提供一种高效、准确的解决方案，为果实目标检测任务在智能农业系统中的应用奠定坚实基础。未来，该方法可进一步应用于其他果实检测任务，并通过结合多模态数据进一步提升复杂环境下的检测性能。

关键词：巨峰葡萄,YOLOv8,深度学习,目标检测,模型改进

基金资助：国家自然科学基金(61901292)；山西省教育科学“十四五”规划项目(GH—220011)