基于YOLOv8-SDCAL的夏威夷果仁与果壳视觉识别及分级系统研究

《Journal of Food Measurement and Characterization》：Research on the visual recognition and grading system for macadamia kernels and shells based on YOLOv8-SDCAL

　　摘要针对传统人工分拣夏威夷果核与果壳存在主观性强、效率低的问题，提出了一种基于YOLOv8n的轻量级分级检测模型YOLOv8-SDCAL，并构建了自动分级系统原型。该算法引入并改进了Bottleneck_DeepDBB模块，引入SHSABlock_CGLU模块替换C2f中的Bottleneck模块，从而提升了损伤、霉变等细粒度差异的表征能力。随后引入ADOWN降采样模块以减少信息丢失并提高推理效率。此外，引入局部窗口注意力机制以增强局部上下文建模和多尺度响应能力。最后引入并进一步改进了LSCD检测头，以减少冗余计算开销。实验结果表明，在分级任务中，YOLOv8-SDCAL的精确率为93.3%，召回率为90.0%，mAP@0.5为92.2%，与YOLOv8n相比分别提升了8.36%、10.29%和5.61%。同时，模型参数量和GFLOPs分别为1.76M和5.702，与YOLOv8n相比分别减少了41.21%和29.51%。Wilcoxon符号秩检验结果表明，最终模型在精确率、召回率和F1-score方面相较于YOLOv8n的提升均具有统计学显著性（p?<?0.001）。通过与YOLO系列不同版本以及SSD、Faster R-CNN和DETR等典型目标检测模型的对比，YOLOv8-SDCAL展现出优越的综合性能。该方法能够满足夏威夷果核与果壳分级在实际生产中的部署要求，为夏威夷果核与果壳分级提供了技术参考。