基于YOLOv8n算法改进的草莓成熟度检测方法

摘要

为了解决复杂环境下草莓成熟度检测难度大以及检测模型复杂度高的问题，提出一种改进的YOLOv8n算法——MSF-YOLO。该模型以YOLOv8n为基础，首先，在骨干网络中采用混合局部通道注意力模块MLCA(Mixed Local Channel Attention)，通过捕捉局部细节特征和全局上下文信息，提升模型特征提取能力。其次，将SPD-Conv(Sliced Depthwise Convolution)替代传统卷积，在减少计算负担的同时，提升模型对不同成熟阶段草莓的表征能力。最后，引入Focaler-EIoU损失函数，通过新增宽高比约束实现更精准的梯度引导，有效降低定位误差，全面提升检测任务的精准度。实验结果表明，与原模型相比，MSF-YOLO模型在平均精度、准确度、召回率以及检测帧率上分别提升了2.5%、 6.9%、 14.2%、35.1%，达到了90.2%、79.7%、91.3%、121.6 f/s。这些改进显著提高了草莓成熟度检测的精度与速度，为智能化草莓成熟度检测提供技术支撑。

关键词

草莓 / YOLOv8n / MLCA / SPD-Conv / Focaler-EIoU / 成熟度检测