基于改进YOLOv8n的花生荚果与果仁图像识别及精准计数

摘要

【目的】花生Arachis hypogaea L.样本准确计数是考种过程中百粒质量和千粒质量测定的关键环节。针对实际测定中花生样本相互重叠易造成漏检等问题，通过改进YOLOv8n模型开展花生荚果与果仁图像精准识别与目标统计研究。【方法】在原模型YOLOv8n主干网络中引入MLCA（Mixed local channel attention）注意力机制，减少背景噪声干扰，增强对重叠样本的检测能力，从而降低漏检率；在C2f模块中加入SCConv（Spatial and channel reconstruction convolution）模块，提高模型对重叠区域中不同花生边界特征的学习，突出单个花生荚果和果仁的真实边界；将检测头替换为LSCD（Lightweight shared convolutional detection），减少模型参数量，增强特征图之间的全局信息融合能力，优化特征图的提取与融合方式，提高模型检测速度。【结果】改进的MSL-YOLOv8n模型包含3 383 663个参数，对花生荚果、果仁计数的平均精度均值(mAP_50-95)分别为90.9%、91.7%，精确率为98.1%、99.8%，召回率为97.2%、99.7%，每秒帧数为245.8。与原模型相比，对花生荚果与果仁的mAP_50-95提高了1.7和1.1个百分点，性能明显优于SSD、YOLOv10n等模型。【结论】改进模型精确率高，实时处理速度快，具有较好的鲁棒性，可为花生考种过程中精准计数提供技术支撑。

关键词

花生 / 目标检测 / 样本计数 / YOLOv8n / 注意力机制