《International Journal of Fruit Science》:Yolov8-CGD: An Improved Model for Lemon Maturity and Quality Detection, Suitable for Complex Field Environments
编辑推荐:
为了实现复杂野外环境中柠檬成熟度与品质的精确检测,本研究提出了一种针对此类环境的高精度模型(YOLOv8-CGD)。为了提高模型在复杂环境下捕获柠檬图像的准确性,在骨干网络(backbone network)中引入了ConvNeXt V2模块。随后,引入了Ga
为了实现复杂野外环境中柠檬成熟度与品质的精确检测,本研究提出了一种针对此类环境的高精度模型(YOLOv8-CGD)。为了提高模型在复杂环境下捕获柠檬图像的准确性,在骨干网络(backbone network)中引入了ConvNeXt V2模块。随后,引入了Gather-Excite注意力机制(attention mechanism)以利用空间上下文信息,进一步增强模型捕获关键特征的能力。使用DIoU损失函数(loss function)替代CIoU损失函数,以提高模型在复杂环境下对重叠和小目标的检测精度及定位稳定性。结果表明,YOLOv8-CGD模型的准确率(accuracy)达到94.4%,召回率(recall rate)为92.8%,mAP50和F1分数(F1 score)分别为97.2%和93.6%,相较于YOLOv8分别提升了4.9%、4.3%、3.2%和4.6%。消融实验进一步验证了改进模型的有效性,热力图分析也表明YOLOv8-CGD模型能更精确地捕获特征。YOLOv8-CGD模型与其他主流模型(如YOLOv11s、YOLOv10s、YOLOv7-tiny和YOLOv5n)的比较结果显示,YOLOv8-CGD模型在准确率、mAP50和F1分数方面表现更优,展现了优异的整体性能。237.3 FPS的帧率也满足了实时监测要求。本研究为柠檬成熟度与品质检测提供了一种高效可靠的方法,为机器人采摘器的高精度自动化收获提供了技术支持。
**论文解读:YOLOv8-CGD——面向复杂野外环境的柠檬成熟度与品质检测改进模型**
**研究背景与问题**
面对全球人口增长、老龄化、城市化加速、气候变化及耕地减少等多重压力,提升农业生产力成为当今社会关键议题。智能农业中的自动化收获机器人技术可替代人力,显著提高收获效率,尤其在高劳动力成本或劳动力短缺地区具有重要意义。柠檬(*Citrus limon* L. Burm)作为广泛种植的亚热带水果,富含维生素C和柠檬酸,全球产量持续增长,但收获环节耗时费力,传统人工方式已无法满足产业需求,亟需开发自动化收获机器人。然而,自然条件下光照变化、枝叶遮挡、果实重叠、果实与茎秆颜色相似等因素,使得精确检测柠檬成熟度与品质仍具挑战。现有研究虽在芒果、柑橘、苹果等检测中取得进展,但针对柠檬在复杂环境中的高精度检测模型尚不成熟。为此,研究人员提出了一种改进模型YOLOv8-CGD(基于YOLOv8的改进模型,结合ConvNeXt V2、Gather-Excite注意力和DIoU损失函数),旨在提升复杂野外环境下柠檬成熟度与品质的检测精度。该论文发表于《International Journal of Fruit Science》。
**研究内容与结论**
研究人员构建了涵盖6个成熟度与健康等级的柠檬图像数据集,通过引入ConvNeXt V2模块(一种基于全卷积掩码自编码器的卷积神经网络架构)、Gather-Excite注意力机制(一种通过聚合与激发操作增强上下文信息利用的轻量级框架)和DIoU损失函数(距离交并比损失函数,优化中心点距离以提升重叠与小目标检测),对YOLOv8模型进行改进。实验结果表明,YOLOv8-CGD在精确率、召回率、mAP
50和F
1分数上分别达到94.4%、92.8%、97.2%和93.6%,较原始YOLOv8提升4.9%、4.3%、3.2%和4.6%。热力图分析和消融实验验证了各改进模块的有效性,且与YOLOv11s、YOLOv10s、YOLOv7-tiny等主流模型对比,YOLOv8-CGD在精确率、mAP
50和F
1分数上表现最优,帧率达237.3 FPS,满足实时检测需求。该研究为柠檬成熟度与品质检测提供了高效可靠的方法,为机器人高精度自动化收获提供了技术支撑。
**主要技术方法**
关键方法包括:1) **数据集构建**:图像采集自福建省农业科学院亚热带农业研究所的种质资源圃(117°E, 24°N),使用iPhone 12拍摄,分辨率为2532×1170,共1132张图像,涵盖不同遮挡条件。将柠檬成熟度与品质分为6级(未熟健康、未熟不健康、半熟健康、半熟不健康、成熟健康、成熟不健康)。通过随机组合水平翻转、垂直翻转和亮度调整进行数据增强,扩充至3564张图像,共6835个标注目标,按8:2随机分为训练集和测试集。2) **模型改进**:在YOLOv8骨干网络中引入ConvNeXt V2模块(基于FCMAE全卷积掩码自编码器,增强特征提取能力);在SPPF层上方添加Gather-Excite注意力机制(聚合空间上下文信息,提升关键特征捕获);用DIoU损失函数替代CIoU(优化中心点距离,提高重叠和小目标检测精度与定位稳定性)。3) **评估指标**:采用精确率、召回率、mAP
50、F
1分数和FPS。
**研究结果**
- **损失函数性能对比(Comparison of loss function performance)**:通过对比DIoU、MPDIoU、GIoU、EIoU与CIoU,发现DIoU在改进模型中表现最佳,精确率、召回率和mAP
50等指标显著优于其他损失函数,为最优选择。
- **YOLOv8-CGD模型实验(YOLOv8-CGD model experiment)**:改进后模型精确率94.4%、召回率92.8%、mAP
50 97.2%、F
1 93.6%,较原始YOLOv8分别提升4.9%、4.3%、2.3%和4.6%。热力图(Grad-CAM)分析表明,改进模型显著减少了对目标区域外无关信息的关注,对遮挡目标捕获更精确,降低了误检和漏检。
- **消融实验(Ablation experiment)**:单独引入DIoU、Gather-Excite注意力机制或ConvNeXt V2模块均能提升模型性能;三者结合时达到最佳,精确率、召回率、mAP
50和F
1分别提升至94.4%、92.8%、97.2%和93.6%。Gather-Excite有效抑制了背景干扰和冗余响应,弥补了ConvNeXt V2与DIoU组合时精度下降的问题,实现了协同优化。
- **不同模型对比实验(Comparison experiment of different models)**:与YOLOv11s、YOLOv10s、YOLOv9s、YOLOv6n、YOLOv3-tiny、YOLOv5n、YOLOv7-tiny和YOLOv9t对比,YOLOv8-CGD在精确率、mAP
50和F
1分数上均最优,分别高出4.4%至12.5%。召回率略低于YOLOv11s等模型,但整体性能突出。237.3 FPS帧率满足实时检测要求。
- **跨数据集评估(Cross-dataset evaluation)**:从福建省漳州新宇苗圃有限公司采集4个柠檬品种(广东四季香水柠檬、四季青柠檬、海南黄柠檬、花叶柠檬)共485张图像,经相同数据增强和标注后,YOLOv8-CGD较YOLOv8n在精确率、召回率、mAP
50和F
1上分别提升3.9%、4.7%、0.3%和4.4%,验证了跨品种泛化能力。在不同输入分辨率(如2532×1170)下帧率测试,YOLOv8-CGD仍满足实时检测需求。
**讨论与结论**
讨论部分指出,全球柠檬产业对自动化收获需求迫切,但现有模型在复杂环境中仍有局限。YOLOv8-CGD通过引入ConvNeXt V2、Gather-Excite和DIoU,显著提升了特征提取和检测精度,但当前仅适用于柠檬检测,数据集范围有限,极端光照或高重叠场景下可能影响性能。未来将扩展数据集至其他作物,收集更多柠檬种质资源,探索多模态数据融合,并通过知识蒸馏等技术优化模型轻量化与实时性,参考医学领域高灵敏度检测技术以提升特异性。
**研究结论翻译**:为了解决传统柠檬成熟度判断和收获依赖人工、耗时且精度低的问题,本研究通过引入ConvNeXt V2模块、Gather-Excite注意力机制和DIoU损失函数,提出了一种改进模型(YOLOv8-CGD)。该模型达到94.4%的准确率、92.8%的召回率、97.2%的mAP
50和93.6%的F
1分数,相较于改进前的YOLOv8分别提升了4.9%、4.3%、3.2%和4.6%。热力图分析和消融实验进一步验证了改进模块的有效性,有效减少了对无关信息的关注,增加了对目标特征的捕获,降低了模型的假阳性、假阴性和重复检测率。通过与多种主流深度学习模型(如YOLOv11s、YOLOv10s、YOLOv7-tiny和YOLOv5n)的比较,YOLOv8-CGD在准确率和F
1分数上优于其他模型,证明了其在柠檬检测中的优越性能。此外,237.29 FPS的帧率满足了实际应用要求。总之,YOLOv8-CGD在处理柠檬成熟度和品质检测任务中表现良好,尤其是在复杂野外环境中,能准确高效地捕获柠檬特征。该模型为柠檬成熟度和品质检测任务提供了一种高效准确的方法,具有重要的实用价值。未来,研究人员将继续优化和调整算法,提高模型在多种场景下的准确性和稳定性,为实现高精度自动收获提供技术支持。