基于LSKNet与MPD-IoU的油茶花蕾轻量化检测模型：提升遮挡与小目标识别精度

【编辑推荐】针对油茶花蕾、雄蕊与花朵识别中的遮挡与小目标漏检问题，本研究提出一种改进的YOLOv8s轻量化检测模型。通过引入LSKNet主干网络、MPD-IoU损失函数及PCConv模块，模型在mAP指标上较基线提升1.2%，检测速度与精度显著优化，为农业移动端部署提供高效解决方案。

　　

研究背景与意义
油茶作为“东方橄榄油”因其高烟点和独特风味成为重要经济作物，但其花蕾、雄蕊与花朵的精准识别长期受限于目标尺寸小、姿态多变及遮挡问题。传统算法在复杂光照条件下表现不佳，而现有深度学习模型如YOLOv4、Faster R-CNN等对重叠目标敏感度不足，难以满足现代农业对实时监测的需求。湖南某研究团队基于此挑战，在《Engineering Applications of Artificial Intelligence》发表研究，提出融合大选择性核网络（Large Selective Kernel Network, LSKNet）与最小点距离交并比（MPD-IoU）的改进模型，为油茶产量预测提供技术突破。

关键技术方法
研究团队采集555张油茶花蕾图像，覆盖不同光照条件（iPhone 11拍摄，距离2-5cm）。技术核心包括：1）以LSKNet替换YOLOv8s主干网络，动态调整感受野；2）引入部分卷积（Partial Convolution, PCConv）减少浮点运算（FLOPs）；3）采用MPD-IoU损失函数优化重叠目标检测；4）新增小目标检测层提升花蕾识别率。实验环境配置为NVIDIA RTX 3090 GPU与PyTorch框架。

研究结果

1. 主干网络替换效果：LSKNet使模型mAP提升至96.4%，较原YOLOv8s提高1.2%，对重叠花瓣的识别误差降低23%。
2. 轻量化设计验证：PCConv模块减少28%参数量，FLOPs下降15%，检测速度达142 FPS（RTX 3090）。
3. 损失函数优化：MPD-IoU使训练收敛速度加快1.8倍，遮挡目标召回率（R）提升1.2%。
4. 小目标检测增强：新增检测头使花蕾识别准确率（P）提高0.3%，漏检率降至4.1%。

结论与讨论
该研究通过四阶段改进实现油茶花蕾检测的精度与效率平衡：LSKNet增强特征提取能力，PCConv保障轻量化，MPD-IoU提升遮挡敏感性，小目标检测层弥补传统网络缺陷。相比主流模型，改进版YOLOv8s在mAP指标上超越Faster R-CNN达7.7%，验证其在复杂农业场景的适用性。作者团队（Fei Long等）强调，该模型可扩展至其他作物监测，但需进一步优化极端光照下的泛化能力。研究为农业智能化提供可部署的轻量化解决方案，推动计算机视觉在精准农业中的落地应用。