基于改进YOLOv8n的轻量化黄芪幼苗检测算法OA

在黄芪幼苗出芽的识别任务中,存在两方面难题:一方面,黄芪幼苗出芽特征差异微小,导致识别专业性强;另一方面,移动设备性能有限.为了解决这两个问题,降低人工成本,提高黄芪幼苗的检测精度,文中提出基于改进YOLOv8n的轻量级三阶段优化算法.使用MobileNetV4作为主干网络,通过整合通用倒置瓶颈(UIB)搜索模块、Mobile MQA注意力模块以及优化的神经架构搜索配方(NAS),实现了在多种移动设备上的高效性能;此外,加入多尺度卷积注意力模块(MSCAM),通过动态调整通道和空间权重使网络在复杂场景中更加灵活;为进一步提升颈部结构对多尺度目标的检测能力,引入双向特征金字塔网络(Bi-FPN),从而显著改善网络对多尺度物体的识别性能.实验结果表明,在自建数据集上,改进模型的精确率、召回率、平均精度均值(mAP)、参数量和计算量分别达到98%、91.2%、94.3%、2.567×106、6.8 GFLOPs;与YOLOv8n相比,改进模型的精确率提升13.7%,召回率提高7.3%,mAP提高3.7%,参数量和计算量分别减少5.8%和2.9%.文中所提算法在准确性和效率之间取得了良好平衡,为农业机器监测领域提供了一种兼具轻量化和高效率的创新性解决方案.