基于改进YOLOv8n的荔枝果实识别方法研究OA

为解决荔枝机械化采收中果实识别模型参数量大、难以在边缘设备部署,且复杂果园环境下识别鲁棒性不足的问题,本文提出一种面向实际部署的轻量化YOLOv8n模型改进方法。以英特尔RealSense D455深度相机构建数据集,经多维度数据增强后按8:2划分训练集与测试集。基于YOLOv8n模型,通过系统化的“稀疏训练-结构剪枝-模型微调”的通道剪枝流程实现轻量化改进。结果表明,剪枝率0.4时模型性能最优:参数量降至1.41 M(较原始模型降低53.0%),计算量降至1.43 G(降低25.1%),平均精度mAP@0.5仍保持83.7%(仅下降2.29个百分点),在保持较高识别精度的同时显著提升部署性。与NanoDet-plus、PP-PicoDet、YOLOv10n等主流轻量化模型对比,本模型参数量仅略高于NanoDet-plus,mAP@0.5分别提升5.17%、3.49%、1.55%。在NVIDIA Jetson AGX Orin边缘设备上推理速度达41FPS(较原始模型提升64.0%),满足荔枝采收机实时识别需求。本研究为农业边缘计算设备上的果实识别提供了一种有效的轻量化解决方案。