基于改进YOLOv8的果园复杂环境下苹果检测模型研究

摘要

为了使采摘机器人能够在果园复杂环境下（如不同光照条件、叶子遮挡、密集的苹果群和超远视距等场景）对成熟程度各异的苹果果实进行快速且精确的检测，本文提出一种基于改进YOLOv8的苹果果实检测模型.首先，将EMA注意力机制模块集成到YOLOv8模型中，使模型更加关注待检测果实区域，抑制背景和枝叶遮挡等一般特征信息，提高被遮挡果实的检测准确率；其次，使用提取特征更加高效的三支路DWR模块对原始C2f模块进行替换，通过多尺度特征融合方法提高小目标检测能力；同时结合DAMO-YOLO的思想，对原始YOLOv8颈部进行重构，实现高层语义和低层空间特征的高效融合；最后，使用Inner-SIoU损失函数对模型进行优化，提高识别精度.在复杂的果园环境中，以苹果作为检测对象，实验结果表明：本文所提算法在测试集下的查准率、召回率、mAP_0.5、mAP_0.5～0.95以及F1分数分别达到86.1%、89.2%、94.0%、64.4%和87.6%,改进后的算法在大部分指标上均优于原始模型.在不同数量果实场景下的对比实验结果表明，该方法具有优异的鲁棒性.

关键词

模式识别 / 深度学习 / 目标检测 / YOLOv8