面向复杂果园场景的轻量化SYL-YOLOv8n模型：实现高精度桃果识别与产量估算新突破

本研究针对无人机视角下果园小目标检测难题，提出基于YOLOv8n改进的SYL-YOLOv8n检测模型。通过融合PE-C2f模块（集成PConv与EMA注意力机制）、MPDIoU损失函数、BiFPN特征融合网络及P2小目标检测层，在自建多源桃数据集上实现92.7%精确率、94.3% mAP的检测性能，并创新性提出融合LAI系数的产量估算方法（R2=0.88），为智慧农业提供关键技术支撑。

　　

精准的果实检测对于果园产量估算具有至关重要的意义。本文提出一种基于YOLOv8n改进的深度卷积神经网络检测模型SYL-YOLOv8n，特别适用于无人机视角下的小目标检测。首先，本研究设计了PE-C2f模块，该模块基于部分卷积（Partial Convolution, PConv）和高效多尺度注意力机制（Efficient Multi-scale Attention, EMA），在实现模型轻量化的同时，提升了复杂环境下桃果特征信息的提取与整合能力。其次，采用多路径距离交并比（MPDIoU）损失函数作为新的边界框损失函数，加速真实框与预测框之间的位置拟合。第三，引入双向特征金字塔网络（Bi-directional Feature Pyramid Network, BiFPN），通过加权双向特征融合增强不同尺度特征间的信息传递能力。最后，在颈部网络添加P2小目标检测层，从而更好地捕捉小目标的细节信息。为验证算法有效性，在自建多源桃数据集上进行实验。SYL-YOLOv8n的精确率（Precision, P）、召回率（Recall, R）、平均精度均值（mean Average Precision, mAP）和F1分数（F1-Score）分别达到92.7%、85.0%、94.3%和88.7%，较原始模型提升1.4%、1.9%、0.7%和1.7%。最终基于SYL-YOLOv8n识别的冠层果实数量，提出融合叶面积指数（Leaf Area Index, LAI）系数的“冠层果实-LAI-全树果实”产量估算方法。结果表明，该产量估算方法的决定系数R²达到0.88，均方根误差（RMSE）为11.16，估算精度满足实际应用需求。