基于YOLOv8n-BLS的果园劣质荔枝果实智能检测算法研究

为解决果园环境下劣质荔枝果实（裂果、腐烂、褐变等）检测效率低下的问题，研究人员基于YOLOv8算法进行改进，提出YOLOv8n-BLS模型。通过增加小目标检测层P2、引入混合局部通道注意力机制（MLCA）、采用Wise-IoU损失函数及知识蒸馏技术（MGD），模型mAP50提升14.3%至82.7%，参数量减少16.7%，为荔枝果园精准管理提供智能化解决方案。

　　

荔枝作为中国特色的热带水果，其种植产业面临劣质果实（如裂果、腐烂、褐变）实时监测的难题。传统人工检测效率低下，而现有算法在复杂果园环境中对小目标和遮挡果实检测效果不佳。为此，华南农业大学（State Key Laboratory of Agricultural Equipment Technology, South China Agricultural University）的研究团队开发了基于YOLOv8n改进的劣质荔枝检测模型YOLOv8n-BLS，相关成果发表于《Computers and Electronics in Agriculture》。

研究采用无人机（DJI Mavic Air 2）和地面高清相机采集多角度荔枝图像，构建标准化数据集。关键技术包括：增加小目标检测层P2增强微小目标捕捉能力；在C2f模块嵌入混合局部通道注意力机制（Mixed Local Channel Attention, MLCA）提升特征提取效率；裁剪P5层输出通道至512以减少参数量；采用Wise-IoU（WIoU）损失函数平衡不同复杂度样本的影响；利用YOLOv8l-BL作为教师模型进行掩码生成蒸馏（Masked Generative Distillation, MGD）训练轻量化学生模型。

研究结果

1. 模型性能提升：YOLOv8n-BLS在果园环境下的mAP₅₀达82.7%，较基线YOLOv8n提升14.3%，参数量减少16.7%。
2. 小目标检测优化：P2层的引入显著改善微小劣质果实的检出率，解决了传统算法对<5%图像占比目标的漏检问题。
3. 注意力机制有效性：C2f_MLCA模块通过局部-通道混合注意力权重分配，使模型在枝叶遮挡场景下的特征区分能力提升23.6%。
4. 蒸馏技术贡献：MGD技术将教师模型的知识迁移至轻量化学生模型，使YOLOv8n-BLS在保持高效推理速度（0.8ms/帧）的同时达到接近大模型的精度。

讨论与意义
该研究首次将知识蒸馏与多尺度注意力机制结合应用于荔枝果实检测领域。YOLOv8n-BLS模型通过轻量化设计适配边缘计算设备，为果园实时监测提供可行方案。实验表明，模型对裂果和褐变的特异性识别率分别达89.2%和84.5%，但远距离（>5m）小目标检测仍是挑战。研究团队提出的标准化数据集（涵盖6个荔枝品种、3类劣质果实）为后续研究奠定基础。该成果推动荔枝产业从经验管理向数据驱动转型，对实现联合国可持续发展目标（SDG 2）中的精准农业具有实践价值。