基于轻量化YOLOv8-GC模型的西瓜籽粒重叠计数方法研究及其在农业智能检测中的应用

为解决西瓜籽粒扁平形态导致的严重重叠遮挡问题，研究团队开发了基于YOLOv8n的轻量化群体计数模型LOYOLO-GC。该模型通过HGNetV2主干网络、GhostConv卷积和LSKA注意力机制实现参数压缩63.8%，在自建多遮挡数据集中达到96.08%精度和86.66% mAP，显著提升密集籽粒计数准确率，为农业边缘计算设备提供高效解决方案。

　　

在农业生产和种子科学研究中，准确计数重叠的西瓜籽粒对品质检测、育种筛选和资源分配至关重要。然而传统人工计数效率低下，光电检测方法成本高昂，而现有深度学习模型对扁平籽粒的重叠场景适应性较差。针对这一技术瓶颈，长春市科技局资助项目团队开发了创新性的轻量化检测方案。

研究团队首先构建了包含340张不同遮挡程度西瓜籽图像的专用数据集，通过遮挡合成增强技术扩展至600张图像，并创新性地提出基于平均黑像素比（ABPR）的三级遮挡分类标准。为解决现有模型参数量大、遮挡场景性能下降的问题，研究人员设计了三阶段优化策略：采用RT-DETR模型的HGNetV2替换原YOLOv8n主干网络，通过深度可分离卷积（DWConv）和轻量卷积（LightConv）将参数量降低53.5%；引入GhostConv生成本征与幽灵特征图，进一步压缩64.1%参数；集成大核分离注意力（LSKA）机制，将传统2D卷积核分解为水平与垂直1D核，在降低38.9%计算量（GMACs）的同时保持特征提取能力。

关键技术方法包括：1）构建多遮挡西瓜籽数据集并开发群体标注算法；2）采用HGNetV2与GhostConv构建轻量化网络；3）设计LSKA模块增强遮挡特征识别；4）提出基于重叠阈值τ的群体检测计数方法。

研究结果方面：

1. 模型优化：轻量化改造后的LOYOLO-GC在参数量仅1.09M情况下，精度达96.08%，较原YOLOv8n提升0.48%，mAP提高1.67%至86.66%。在公开巴士数据集测试中，mAP达96.38%，验证了模型泛化能力。

2. 群体计数性能：当重叠阈值τ=0.4时，群体计数方法在轻、中、重度遮挡下的准确率（L-ACC/M-ACC/H-ACC）分别达91.18%、90.24%和87.94%，整体计数准确率（ACC）提升5.32%，MAE和RMSE分别降低3.68和3.28。

3. 对比实验：在相同测试条件下，LOYOLO-GC的mAP显著优于Faster R-CNN（78.54%）、RetinaNet（86.99%）和YOLOvX-tiny（85.61%），且参数量仅为YOLOv5n的61.6%。

讨论部分指出，该研究首次将视觉分组理论应用于扁平籽粒计数，通过将重叠目标视为感知单元，有效解决了传统检测方法在边界模糊场景下的性能衰减问题。LSKA模块通过分解大卷积核捕获长程依赖关系，与GhostConv的特征冗余抑制形成互补，这一设计思路为农业复杂场景下的轻量化检测提供了新范式。实际应用中，模型5 FPS的推理速度可满足田间2-3帧/秒的采集需求，已具备在智能分选设备和农业机器人上的部署条件。

该成果发表于《Information Processing in Agriculture》，不仅为西瓜籽粒计数建立了新标准，其提出的轻量化架构与群体计数策略，对玉米、水稻等其他扁平种子的自动化检测具有重要借鉴意义。未来研究可进一步探索多光谱信息融合与三维形态重建，以应对更复杂的田间遮挡场景。