编辑推荐：
为解决复杂蔗田环境中宿根蔗出苗株丛（RSSH）因生长形态不规则、分布无序带来的视觉检测难题，研究人员开展改进 YOLOv8n 模型的检测研究。结果显示模型精度、F1 值等表现优异，为智能补苗提供技术支持。
精确的宿根蔗出苗株丛（RSSH）视觉检测是提升宿根苗期智能补植的关键技术。RSSH 在复杂蔗田环境中具有不规则生长形态和无序分布等独特生长特征，给视觉检测带来技术挑战。本研究提出一种改进的 YOLOv8n 模型以实现高效检测：首先在主干网络中添加 P6 检测层以扩大感受野，实现对多尺度目标尺寸 RSSH 的更好检测；随后在颈部网络引入 SPDConv 模块和融合高分辨率 P2 特征层的 BiFPN 网络，有效提升模型检测精度；为减少模型参数数量和计算复杂度，在主干和颈部网络分别融入 GhostConv 和 C3 模块；最后将损失函数修改为组合式 Focaler-CIoU 损失函数，进一步增强模型检测能力。改进后的 YOLOv8n 模型与 YOLOv5s、YOLOv6n、YOLOv7-tiny、YOLOv8n、YOLOv8s、YOLOv9s、YOLOv10n 和 YOLOv11n 等主流目标检测模型相比，实现了最高精度（95.5%）和 F1 分数（92.93%），mAP@0.5 达 96.2%，mAP@0.5–0.95 达 84.4%，且模型大小仅 12 MB。这些结果表明，改进的 YOLOv8n 模型在复杂蔗田环境中的 RSSH 检测方面具有显著优势，为宿根蔗智能补植提供了技术支持。
