基于YOLOv8m轻量化改进的机器人视觉小黄瓜分拣与码垛优化研究

为解决农业自动化中边缘设备部署深度学习模型的难题，研究人员通过FasterNet Block替换C2f模块、引入AFPN特征金字塔网络及WIoU v3损失函数，对YOLOv8m进行轻量化改进。改进后模型参数量减少63.15%，检测精度提升0.2%，为资源受限场景下的果蔬分拣机器人提供高效技术方案。

　　

在现代化农业中，小黄瓜因其高经济价值成为重要经济作物，但其分拣码垛仍依赖人工操作，效率低下且成本高昂。传统机器视觉方法如支持向量机(SVM)和随机森林(RF)依赖人工特征设计，难以应对复杂农业环境。尽管基于卷积神经网络(CNN)的深度学习模型如YOLO系列展现出优越性能，但其高计算资源需求成为边缘设备部署的瓶颈。

中国农业机械化科学研究院集团公司的研究人员在《Journal of Agriculture and Food Research》发表研究，针对小黄瓜分拣机器人的视觉识别需求，提出一种基于YOLOv8m的轻量化改进方案。通过构建包含860张图像的多尺度数据集，采用FasterNet Block替换原C2f模块中的Bottleneck结构，引入渐进式特征金字塔网络(AFPN)优化检测头，并采用动态非单调聚焦机制的WIoU v3损失函数。

关键技术包括：1) 基于工业相机的标准化数据采集系统；2) 采用PConv(部分卷积)的FasterNet Block降低计算冗余；3) AFPN渐进融合多尺度特征；4) WIoU v3增强边界框回归性能。

【Backbone Network Improvement】

实验表明，FasterNet Block使参数量减少35.73%，FLOPs降低37.04%，mAP@50:95提升0.8%。相比ShuffleNetV2和ResNet，在精度与轻量化间取得更好平衡。

【Improvement of the Head Network】

AFPN通过渐进融合策略将特征图维度压缩至1/4，参数量减少63.15%，在保持99.4% mAP@50的同时显著降低模型复杂度。

【Improvement of the Loss Function】

WIoU v3通过动态梯度调整机制，使精度达99.9%，较CIoU提升0.4个百分点，有效解决小目标检测中的语义间隙问题。

【Validation and Analysis】

改进模型在RTX 3060平台实现49.02 FPS实时检测，模型尺寸仅18.8MB。消融实验证实三阶段优化具有协同效应，最终模型在参数量减少63.15%情况下，mAP@50反升0.2%。

该研究创新性地将轻量化技术与农业场景深度融合，为边缘计算设备部署高性能视觉模型提供新思路。未来可结合零样本检测和跨模态微调范式，进一步拓展模型在开放语义环境下的适应性，推动农业机器人向认知智能化方向发展。论文通过系统性的结构优化，实现了精度与效率的协同提升，对智能农业装备研发具有重要参考价值。