YOLO-FCAP：基于YOLOv8n改进的轻量级模型在复杂环境下柑橘产量预测中的应用

《Smart Agricultural Technology》：YOLO-FCAP: An improved lightweight object detection model based on YOLOv8n for citrus yield prediction in complex environments

本研究针对复杂果园环境中柑橘果实检测存在的遮挡、光照变化及边缘设备计算能力有限等挑战，提出了一种基于YOLOv8n改进的轻量级目标检测模型YOLO-FCAP。通过引入pico缩放因子、FasterNetBlockWithCA模块、ADown下采样模块和小目标检测层，显著降低了模型参数量（0.81M）和计算量（5.5G FLOPs），同时将检测精度（AP）提升至92.5%，帧率达到168.42 FPS。实验结果表明，该模型在自建柑橘数据集上实现了预测产量与实际产量之间的强线性相关（R2=0.98），为果园精准管理和产量预测提供了高效可靠的技术方案。

　　

在智慧农业蓬勃发展的今天，柑橘作为全球广泛种植的水果之一，其产量预测对于果园管理和农业经济具有重要意义。然而，传统的柑橘产量预测方法主要依赖人工经验，效率低下且成本高昂。随着人工智能技术在农业领域的深入应用，基于目标检测的自动化产量预测方法逐渐成为研究热点。但是，复杂的果园环境给这一技术的实际应用带来了巨大挑战：果实与叶片相互遮挡、光照条件变化多端、果实成熟度差异显著，这些因素都严重影响检测算法的准确性。更棘手的是，果园边缘设备通常计算资源有限，难以部署复杂的大型模型。因此，开发一种既轻量又精准的柑橘检测模型，成为实现智能果园管理的关键技术瓶颈。

为了突破这一技术瓶颈，研究人员在《Smart Agricultural Technology》上发表了一项创新性研究，提出了一种名为YOLO-FCAP的改进轻量级目标检测模型。该研究基于YOLOv8n架构，通过多项创新性改进，在保持高检测精度的同时显著降低了模型复杂度，为复杂环境下的柑橘产量预测提供了实用解决方案。

本研究采用了几项关键技术方法：首先，研究人员在江西赣州柑橘科学研究所的实验果园中，使用智能手机设备采集了包含7016张柑橘图像的数据集，涵盖不同成熟度、光照条件和遮挡程度；其次，通过引入pico缩放因子降低网络冗余，将YOLOv8n的宽度因子从1.25调整为0.125，使最深层的通道数减少到512；第三，使用FasterNetBlockWithCA（FBCA）模块替换原有的C2F模块，该模块结合了部分卷积（PConv）和坐标注意力机制（CA），在降低计算量的同时增强了抗背景干扰能力；第四，将骨干网络最后三个下采样卷积块替换为ADown模块，实现多尺度特征融合；最后，增加160×160分辨率的小目标检测层，提升对遮挡和小尺寸目标的检测能力。

3.1. 模型消融实验

研究人员通过系统的消融实验验证了各个改进模块的有效性。实验结果表明，单独引入pico缩放因子使参数量减少到0.91M，FLOPs降至2.8G；结合FBCA模块后，AP提升至90.6%；加入ADown模块进一步优化了多尺度特征融合能力；而小目标检测层的增加使AP达到92.1%。最终，完整版YOLO-FCAP将参数量和FLOPs分别降低至0.81M和5.5G，同时AP提升至92.5%，召回率达到84.3%，在精度和效率之间取得了最佳平衡。

3.2. 注意力机制对比实验

在注意力机制选择方面，研究比较了Shuffle Attention（SA）、Efficient Multi-scale Attention（EMA）、Efficient Channel Attention（ECA）和Coordinate Attention（CA）四种机制。可视化结果表明，CA机制能够最有效地聚焦柑橘目标区域，抑制背景干扰，使召回率和AP分别达到82.5%和90.6%，显著优于其他注意力机制。

3.3. 轻量级特征提取模块对比实验

特征提取模块的比较涵盖GhostNetv2、ShuffleNetv2、MobileNetv3和FasterNetBlock四种轻量级模块。实验显示，FasterNetBlock在骨干网络全部位置替换C2F模块后，AP达到89.4%，参数量降至0.85M，表现出最优的综合性能。其部分卷积机制能够有效抑制冗余特征，增强关键特征提取能力。

3.4. 不同目标检测模型对比实验

与YOLOv5n、YOLOv6n、YOLOv8n、YOLOv10n和YOLOv11n等主流轻量级模型的对比中，YOLO-FCAP在参数量（0.81M）和FLOPs（5.5G）最低的情况下，仍保持了92.5%的AP值，召回率最高达到84.3%。在包含多云远景、不同程度遮挡、不同光照条件下未成熟果实和模糊场景的五类复杂环境测试中，YOLO-FCAP仅出现少量误检和漏检，表现出优异的适应能力。

3.5. 不同柑橘检测模型对比实验

在跨数据集验证中，YOLO-FCAP在自建数据集上AP达到92.7%，在公开CitDet数据集上mAP_0.5为84.3%。虽然略低于表现最佳的YOLOv5-CS（93.3%），但模型大小仅1.95MB，推理速度达到121FPS，实现了轻量化与检测性能的良好平衡。

3.6. 基于测试结果的产量预测回归分析

最令人印象深刻的是产量预测实验。研究人员对20棵柑橘树进行检测计数，并建立预测数量与实际数量的线性回归模型。结果显示，确定系数R2高达0.98，均方根误差（RMSE）为1.05，平均绝对误差（MAE）为0.83，表明预测值与实际值之间存在极强的线性相关性，验证了该模型在实际产量预测中的可靠性。

研究的讨论部分深入分析了模型的局限性与未来方向。尽管YOLO-FCAP表现出色，但仍面临严重遮挡目标的漏检问题，这主要是由于单视角拍摄无法获取被遮挡目标的信息。此外，实际果园环境中的降雨、雾霾等气象因素会降低图像质量，影响特征提取。不同柑橘品种在外观特征上的差异也对模型泛化能力提出挑战。

针对这些局限性，研究人员提出了三个重要的发展方向：首先，建议后续研究采用无人机（UAV）进行多角度图像采集，以获取更全面的果树信息；其次，通过增加雨雾天气下的数据集或数据增强技术提升模型在复杂气象条件下的鲁棒性；最后，可以探索迁移学习方法，将已在某些品种上训练的模型适配到其他品种，增强模型的泛化能力。

这项研究的结论部分强调，YOLO-FCAP成功实现了在保持高检测精度的同时显著降低模型复杂度的目标，为边缘设备上的柑橘检测应用提供了实用解决方案。通过建立的产量预测线性回归模型，该研究为果园智能化管理提供了可靠的技术支持，推动了智慧农业在水果产量预测领域的实际应用。随着后续研究的深入和技术优化，这种轻量高效的检测模式有望在更广泛的农业场景中发挥重要作用。