复杂温室环境下基于改进YOLOv8n的茄子果实与茎秆检测

《Agronomy》：Detection of Eggplant Fruits and Stems in Complex Greenhouse Environments Using an Improved YOLOv8n

　　

准确感知茄子果实和茎秆对温室采摘机器人而言仍具挑战性，因为光照变化、叶片遮挡、果实重叠和背景枝条会降低目标可见性，尤其是细小弯曲的茎秆。为改善这些条件下的果实-茎秆联合检测，研究人员开发了一种增强型YOLOv8n模型，使用了在不同光照水平、视角、遮挡程度和果实重叠情况下采集的温室数据集。基线网络在三个方面进行了修改。骨干网络和颈部中的部分传统卷积被替换为全维度动态卷积（ODConv），以改善对不同尺度和形状目标的特征适应性。高效多尺度注意力（EMA）被放置在SPPF模块之后，以增强果实和茎秆区域的信息性响应，同时减少背景干扰。此外，在颈部引入了C2f_MSBlock，以加强多尺度特征表示和融合。最终模型取得了96.4%的精确率、97.2%的召回率、99.0%的mAP@0.5和86.0%的mAP@0.5:0.95，参数为3.74 M，计算量为6.5 GFLOPs，模型大小为7.9 MB。相对于原始YOLOv8n，这四个检测指标分别提高了2.2、0.3、0.5和2.9个百分点，而GFLOPs降低了16.7%。这些结果表明，修改后的模型在复杂温室场景中提高了检测鲁棒性，同时保持了适度的计算需求，为机器人采摘中的茄子果实识别和茎秆定位提供了一种可行的视觉感知方法。

**研究背景**
茄子是全球广泛种植的重要经济蔬菜，具有较高的营养和商业价值，在设施蔬菜生产中占据重要地位。温室栽培提高了产量和品质，但成熟果实识别与采摘仍主要依赖人工，劳动强度大、效率低，受工人经验和劳动力短缺影响明显，制约了温室茄子规模化、智能化生产。因此，开发茄子采摘机器人具有重要意义。视觉感知是采摘机器人的关键组成部分，果实检测用于识别采收目标，茎秆检测用于确定采摘点和调整末端执行器姿态。与仅检测果实相比，果实-茎秆联合检测可提供更完整的目标信息，有助于提高作业精度和成功率。然而，温室环境中光照变化、叶片遮挡、果实重叠、背景枝条干扰，以及茄子茎秆细小弯曲且与枝条相似，使准确检测面临挑战。现有传统方法依赖手工特征，鲁棒性差；深度学习方法已在多种作物上应用，但针对茄子果实与茎秆联合检测的研究仍较少。为此，研究人员开展本研究，旨在提高复杂温室环境下茄子果实与茎秆联合检测精度，同时控制计算成本。

**研究概况**
研究人员在山东省潍坊市青州市何官镇姬家李双庄的温室蔬菜生产基地，以Tianjin Kuaiyuan茄子为对象，使用iPhone 12在不同光照和视角下采集图像，构建了包含不同光照、视角、遮挡和果实重叠情况的茄子果实-茎秆联合检测数据集。在此基础上，以YOLOv8n为基线，提出了三项改进：用全维度动态卷积（ODConv）替换部分标准卷积，在SPPF后引入高效多尺度注意力（EMA），并在颈部采用C2f_MSBlock模块。实验表明，改进模型在检测性能和计算成本之间取得了良好平衡，为温室茄子采摘机器人的果实识别和茎秆定位提供了可行视觉感知方法。该研究发表在《Agronomy》上。

**主要技术方法**
研究人员采集了真实温室中不同时间、视角、光照和遮挡条件下的茄子图像，原始图像1038张，经随机旋转缩放、亮度对比度调整、色调调整、高斯噪声和晕影等增强后扩充至5188张，按约8:1:1划分为训练、验证和测试集，并人工