改进YOLOv8n的咖啡果实成熟度轻量化检测模型

摘要

为了实现咖啡果实成熟度的精确识别，基于YOLOv8n提出了一种咖啡果实成熟度轻量化检测模型(CRTYOLO)。采用MobileViT网络为主干特征提取网络进行特征信息的提取，有效减少参数量和降低资源消耗。在颈部网络中插入EMA(exponential moving average)注意力机制，以提高深度学习网络对咖啡果实特征提取的能力。引入Focal-CIOU作为模型的边界框回归损失函数，有效解决样本不平衡问题，提升模型性能。通过实验显示，CRT-YOLO模型检测精确率高达91.2%，相较于YOLOv8n检测精确率提升了9.2%,m AP@0.5提升了2.3%，参数量减少了60%，浮点运算量降低了34.6%。对比YOLOv7-tiny、YOLOv9-tiny、YOLOv9s、YOLOv10n、YOLOv11n模型，CRT-YOLO模型在模型复杂度及检测性能上具有显著优势，研究结果有望为咖啡果实机器人采摘提供技术支持。

关键词

咖啡果实成熟度检测 / MobileViT模块 / 多尺度注意力机制 / Focal-CIOU机制