基于改进YOLOv8n的典型场景下柑橘花检测算法OA

花量精准管理是确保柑橘产量和品质的重要环节,其关键在于快速精确检测花朵。基于对YOLOv8n的改进,提出了YOLO-CF柑橘花识别网络。首先,引入FasterNet骨干网络替换原始模型的骨干网络,降低初始模型的复杂度,减少原有模型冗余运算量,使改进后模型体积进一步缩小,便于后续在边缘设备进行部署实现农业场景移动实时监测。其次,在骨干网络和特征融合层嵌入坐标注意力(coordinate attention,CA)模块,有效增强模型对柑橘花形态特征的判别能力,同时在特征融合层建立位置信息增强通道,提升密集遮挡、光照不均及多尺度背景干扰等复杂农业场景下的目标定位精度。采集田间不同天气条件、遮挡程度以及密度下的纽荷尔脐橙花和花苞图像建立数据集进行测试的结果表明,与Faster R-CNN和原始YOLOv8n网络模型相比,YOLO-CF网络模型平均精度均值分别提升4.7和1.9百分点,召回率分别提升了2.3和1.3百分点,且模型大小分别减少95.4%和19.0%。改进后的网络模型在执行遮挡、密集和小目标检测任务时平均精度均值分别提升1.9、3.6和2.0百分点,未出现漏检和误检情况,且检测速度提升33.7%。本文提出的YOLO-CF网络模型能够在复杂自然环境下对柑橘花进行精准检测,具有较快的运算效率,可以为柑橘花量智能监测技术提供支撑。