MHF-YOLO：一种基于改进YOLOv8n开发的商品级金银花识别方法

《Non-Coding RNA》：MHF-YOLO: An Improved YOLOv8n-Based Approach Developed for Commercial-Grade Honeysuckle Recognition

　　

金银花（Lonicera japonica Thunb.）为药食同源植物，其花蕾广泛用于功能性食品、草本饮料及天然抗氧化产品。花发育阶段会影响生物活性成分积累与原料商品价值，因此准确识别可采花蕾十分重要。研究人员构建包含400张原始图像的自定义数据集，标注为未成熟、可采、过熟三类；在骨干网络引入大可分离核注意力（Large Separable Kernel Attention，LSKA）以增强复杂背景下特征表示，并将原完全交并比（Complete Intersection over Union，CIoU）损失替换为 Wise-IoU（WIoU）用于边界框回归。消融实验表明，联合改进将 YOLOv8n 基线 mAP50 由 76.4% 提升至 85.6%，参数仅增 3.4%。与代表性检测模型相比，MHF-YOLO 精度 84.3%、召回 74.8%、mAP50 85.6%、推理时间 7.09 ms；相较较新的轻量 YOLO11n 基线，其整体 mAP50 略低（85.6% vs 86.1%）且推理效率较低，但精度更高（84.3% vs 83.7%）、mAP50:95 略高（50.8% vs 50.1%）。类别评估中可采花蕾最优：精度 88.2%、召回 76.1%、mAP50 93.7%、mAP50:95 63.2%。研究人员进一步开发基于 PyQt5 的系统，支持单图、批量与相机连续识别，表明该 MHF-YOLO 平台可作为田间商品级金银花评价与采收决策支持原型。

研究背景方面，金银花（Lonicera japonica Thunb.）是中国特色药食同源植物，干燥花蕾用于功能性食品、草本饮料和天然抗氧化产品。花蕾发育经历三青、二白、大白、银花、金花等阶段，生物活性成分如绿原酸、总黄酮和环烯醚萜类随阶段动态变化；进入过熟开花后活性成分降解，即使最优产后处理也无法逆转质量损失。因此采收前准确区分未成熟（活性成分积累不足）、可采（药食用最佳）、过熟（活性成分降解）十分关键。现有方法多面向通用目标检测或姿态估计，缺乏面向食品质量的成熟度分类能力；田间金银花还存在目标小、分布密、枝叶绿遮挡、背景复杂和光照变化等问题，直接套用轻量基线模型会降低特征可分离性与定位精度，故有必要改进轻量检测器用于细粒度金银花成熟度识别。

该研究发表在《Non-Coding RNA》。研究人员以陕西认证品种‘Jinhua No. 3’为对象，构建含未成熟、可采、过熟三类标注的金银花数据集，在 YOLOv8n 骨干网引入大可分离核注意力（Large Separable Kernel Attention，LSKA）增强小目标与抗背景干扰能力，并将完全交并比（Complete Intersection over Union，CIoU）损失改为 Wise-IoU 第3版（WIoU v3）优化边界框回归，最终形成 MHF-YOLO 模型，并开发 PyQt5 可视化识别与采收决策支持系统。

主要关键技术方法上，研究人员使用陕西杨凌金银花基地‘Jinhua No. 3’样本队列，手机采集400张田间图像，LabelImg 标注三类；训练集经±30%亮度对比度扩增至1600张，验证集与测试集用原图，按8:1:1划分。模型端在 YOLOv8n 骨干第3、5层 C2f 后嵌入 LSKA，以深度可分离与空洞卷积实现大感受野低开销；边界框损失用 WIoU v3 非单调动态聚焦机制区分难易样本。训练采用 SGD、640×640、300 epoch、batch 16、余弦退火与早停；对比 YOLOv5n、YOLOv8n、YOLOv8s、YOLO11n、RT-DETR；系统用 PyQt5+Ultralytics YOLO+OpenCV 实现单图、批量、USB 相机多线程推理。

研究结果部分，2. Materials and Methods 中研究人员定义商品级金银花物理特征，确定大白期为最佳采收窗；说明图像采集与数据集构建、YOLOv8n 局限性、LSKA 与 WIoU 改进原理、测试环境与评估指标、对比模型协议。3. Results 中 3.1 Ablation Experiments on Model Improvements 通过逐步加入模块表明，LSKA 单独提升召回与特征感知，WIoU 单独大幅提升精度与边界框定位，联合后 mAP₅₀ 由76.4%升至85.6%、mAP_50:95 由46.5%升至50.8%，参数仅增3.4%，证明“特征增强+梯度优化”互补。3.2 Comparative Experiments with Different Detection Models 通过与 YOLOv5n、YOLOv8n、YOLOv8s、YOLO11n、RT-DETR 对比得出，YOLOv8s 精度最高但算力大，YOLO11n 整体 mAP₅₀ 略优且更轻量，MHF-YOLO 在可采类精度与 mAP_50:95 更具任务导向优势，推理约7.09 ms，适合 YOLOv8n 系轻量部署。3.3 Model Analysis for Detection 通过类级评估得出，可采类 mAP₅₀ 93.7% 最佳，未成熟类召回高但绿背景误检多，过熟类因花瓣张开、萎蔫、遮挡等类内差异大导致召回仅63.7%；训练曲线显示 box_loss、cls_loss、dfl_loss 平稳下降，mAP₅₀ 收敛于0.856、mAP_50:95 收敛于0.508，无显著过拟合。

1. 4.
   Integrated Recognition and Harvesting Decision-Support System 中，研究人员用 PyQt5 分层架构实现用户交互、业务逻辑与模型推理解耦；图像导入支持单图、批量、CameraThread 多线程相机采集；YOLODetector 以0.25置信度推理；结果展示做 BGR 转 RGB、类别计数与日志；界面左控制右显示，支持图像与相机互斥模式。功能测试在 Windows 11 下完成单图、批量、相机连续识别，系统可存标注图与截图；误差分析随机抽取10张共318个标注目标，可采205、未成熟67、过熟46，正确识别242个，目标级未识别率23.9%，漏检主要来自目标重叠遮挡、光照不均、类别形态相似。

讨论部分总结为，MHF-YOLO 的价值不是全面超越新一代 YOLO，而是在 YOLOv8n 基线上以极小复杂度代价显著提升金银花成熟度识别，尤其增强可采花蕾感知与定位；局限包括仅做当前阶段分类、未预测成熟度时间、边界框难以提取单蕾形态与产量参数。未来可引入时序图像做成熟度时间预测，引入实例分割（Instance Segmentation）做单蕾轮廓提取与产量估算，并在多站点、多季节、严重遮挡与变光照样本上扩数据、加多尺度融合与注意力精炼。

研究结论部分翻译为：（1）研究人员提出基于改进 YOLOv8n 的 MHF-YOLO；骨干网嵌入 LSKA 自适应重标定空间特征，增强目标区响应并抑制背景干扰；边界框回归由 CIoU 改为 WIoU v3，通过动态加权优化小目标定位；二者从“特征感知”和“梯度优化”互补。消融实验显示 MHF-YOLO 的 mAP₅₀ 为85.6%，较 YOLOv8n 基线76.4%提高9.2个百分点，参数与计算量仅增3.4%和2.5%，在紧凑架构下验证改进有效。（2）相较较新轻量 YOLO11n，MHF-YOLO 整体 mAP₅₀ 略低（85.6% vs 86.1%）且效率指标较低，但精度略高（84.3% vs 83.7%）、mAP_50:95 略高（50.8% vs 50.1%）；可采类 mAP₅₀ 93.7%、mAP_50:95 63.2% 更优，应视为 YOLOv8n 上面向金银花成熟度检测的轻量任务导向改进，而非新一代 YOLO 的通用替代。（3）研究人员构建未成熟、可采、过熟三类金银花数据集，400张原图经标注与扩增得1600张训练图、19280个标注目标；基于 PyQt5 开发智能识别系统，集成单图、批量、实时相机识别、可视化成熟度评价、类别计数、结果日志与标注图管理，为智能金银花采收设备的感知与决策支持提供集成软件原型。