基于FEW-YOLOv8n轻量化模型的柑橘实时检测与精准计数方法研究

本推荐语聚焦于智能农业中的柑橘检测技术挑战，提出一种融合FasterNet Block、EMA注意力机制与Wise-IoU损失函数的轻量化模型FEW-YOLOv8n。该模型在复杂果园环境中实现92.4%精确度与91.7%平均精度（mAP），模型体积仅5.37MB，检测速度达80.6FPS，并基于此开发柑橘计数系统（MAE=0.92, R2=0.98），为采摘机器人部署提供关键技术支撑。

　　

Highlight

本研究通过引入FasterNet Block、EMA注意力机制与Wise-IoU损失函数，提出轻量化FEW-YOLOv8n模型，实现高精度柑橘检测与实时计数，为农业机器人智能部署提供创新解决方案。

Simulation testing

训练模型在测试集上通过混淆矩阵评估性能。矩阵对角线表示正确分类样本数，非对角线反映误判情况。精确度（Precision）、召回率（Recall）与平均精度（mAP）等指标全面验证模型在复杂环境下的鲁棒性。

Discussion

为验证模型在实际柑橘生长环境中的效果，本研究搭建了在线实时识别计数系统，集成工业相机、伸缩机构、移动平台与STM控制器。系统通过动态采集柑橘图像并传输至终端，结合FEW-YOLOv8n模型实现实时检测与计数，显著提升果园管理的自动化水平。

Conclusions

FEW-YOLOv8n模型在轻量化与精度间取得平衡，检测速度达80.6FPS，模型体积仅5.37MB。其精准的柑橘识别能力（mAP 91.7%）与低误差计数性能（MAE=0.92, R2=0.98）为采摘机器人部署提供了可靠的技术基础。