绿色褚橙的CFCN-YOLO检测算法

摘要

[目的]本研究针对云南特色水果褚橙(Citrus chuanmuensis)在非结构化农田场景下的识别难题，通过改进算法提升其智能化检测与识别能力。[方法]基于YOLOv8n深度学习架构提出一种改进算法CFCN-YOLO(camouflage Citrus net-you only look once)以应对复杂农业环境中绿色褚橙采收所面临的诸多挑战，包括但不限于目标物体被遮挡、尺寸多样难识别，以及果实自身与背景叶片的颜色高度相似而导致检测干扰等问题。融合Focal Modulation SPP(focal modulation spatial pyramid pooling)机制，通过焦点调制来改善多尺度特征提取技术，提高模型对近景色果实尺寸波动的识别精度。集成Dy Sample自适应动态上采样算子，优化特征图分辨率，增强模型对农业复杂环境的适应性。采用ADown轻量化主干网络，保持绿色褚橙检测精度的同时，显著减少计算量，使模型大小降低9.5%。引入GIoU-SlideLoss损失函数新组合，以解决难易样本不均衡的问题，再一次强化了模型性能。[结果]与原始模型YOLOv8n相比，优化后的CFCN-YOLO的检测精度、召回率以及平均精度均值m AP@0.5和m AP@0.5:0.95分别提高1.1%、3.7%、2.8%和4.3%。为进一步验证CFCN-YOLO的实用性，将其部署于Jetson Nano嵌入式设备，检测速度达到每秒31.45帧，比YOLOv8n提高11.2%。[结论]CFCN-YOLO在模型轻量化和高效率检测之间达成理想平衡，适用于智慧农业中褚橙果实的机器视觉识别。

关键词

智慧农业 / YOLOv8 / 目标检测 / 近景色褚橙 / 轻量化