关键词： 灰茶尺蠖幼虫   目标检测   茶冠层环境   YOLO   扩散模型  

摘要： [目的/意义]灰茶尺蠖（Ectropis grisescens）幼虫对茶树的危害是当前茶叶生产面临的主要生物胁迫之一，实现其早期精准检测具有重要的生产实践意义。[方法]本研究提出了一种融合可控扩散模型与目标检测深度学习框架的高效识别方法，用于茶树冠层中灰茶尺蠖幼虫四个龄期的实时检测。研究构建了三级检测体系：全龄期检测（1—4龄）、虫龄段检测（1—2龄与3—4龄分组），以及精准龄期检测（各龄期独立识别）。研究引入可控扩散模型，并创新性地提出数据集优化与高质量图像筛选策略，旨在提升YOLO系列模型（YOLOv8、v9、v10、v11）在灰茶尺蠖数据集上的检测性能。[结果与讨论]全龄期检测中YOLO系列模型的最佳平均mAP50达到0.904，虫龄段检测的最佳平均mAP50为0.862，精准龄期检测的最佳平均mAP50为0.697。值得注意的是，可控扩散模型的引入使YOLO系列模型的性能获得普遍提升，其中YOLOv10在三类检测任务中的提升最为显著（配对t检验，p<0.05），平均mAP50从0.811提升至0.821。综合比较发现，YOLOv9在灰茶尺蠖检测中表现最优，其三类检测任务的平均mAP50达0.826,F1值为0.767。[结论]本研究证实，基于可控扩散模型与深度学习相结合的创新方法，能够有效实现田间灰茶尺蠖幼虫各龄期的精准识别，为茶园灰茶尺蠖智能监测提供了可靠的理论基础和技术支撑。

关键词： 图像处理   深度学习   表型   柿子   多标签识别   YOLOv8m  

摘要： 柿子表型特征是其种质资源鉴定的重要依据。为快速准确识别成熟柿子的品种和表型特征，该研究提出了一种改进YOLOv8m的成熟柿子品种及其表型特征多标签识别模型YOLOv8m-LCA。针对自然环境中成熟柿子轮廓存在不规则、难以准确提取的问题，在YOLOv8m网络中，将大型可分离核注意力模块（large separable kernel attention, LSKA）添加到C2f模块（cross-stage partial-connection with 2 convolutions），以增强果实边缘特征细节的提取和减少模型计算量。为提高模型对关键表型特征的识别率，在骨干网络中新增4个卷积块注意力模块（convolutional block attention module,CBAM），以增强模型对空间和通道维度的加权注意力处理能力；采用双路径下采样模块替代原有的卷积下采样模块，以减少特征图高频信息损失。调整头部网络的分类损失函数，实现品种与表型特征的多标签实例输出。结果表明：在自主构建30个柿子品种以及14类表型特征数据集上，相比YOLOv8m，所提出的模型YOLOv8m-LCA整体识别精确率（P）及平均精度均值（mAP@50）分别为93.0%和94.9%，分别提升了7.4和6.8个百分点；模型大小和参数量分别为27.6 MB和13.63 M，分别降低了47.02%和47.29%，且优于YOLOv5m、YOLOv11m、YOLOv12m等当前主流轻量级YOLO系列目标检测算法。YOLOv8m-LCA对随机选取的6类柿子品种及其表型特征的检测置信度范围为0.90～0.97，验证了改进模型对柿子关键特征提取的有效性。该方法可为柿子及其他水果种质资源表型特征鉴定提供模型参考。

关键词： 遥感图像   旋转目标检测   YOLOv8   特征提取  

摘要： 针对遥感图像中目标因朝向任意、尺度变化显著及密集排列等导致的检测精度不足问题，提出一种基于改进YOLOv8的遥感图像旋转目标检测方法GALR-YOLOv8。首先，构建了GhostC2f特征提取模块，通过特征图冗余抑制与参数复用策略，强化特征提取效率；其次，设计了角度分布焦点损失函数，通过概率密度离散化建模方法改善旋转检测框角度预测；最后，引入了大核分离卷积注意力机制，借助形状适应以及大感受野的优势，强化跨尺度目标尤其是微小目标的特征捕捉能力。在遥感数据集DOTA上的实验结果表明，GALR-YOLOv8的旋转目标检测精度mAP达到了79.6%，相比于基线模型YOLOv8n-obb提升了1.8%；相比其他主流方法检测精度达到最佳，且计算量、参数量与检测速度也具有优势，对实时性与硬件资源敏感的场景也同样适用。

关键词： 水稻害虫   多尺度   轻量级   YOLOv11n   目标检测   深度学习  

摘要： 为了解决水稻害虫种类繁多、尺寸和形态差异显著所导致的误检、漏检等问题，该文提出了多尺度水稻害虫检测与计数的轻量级模型YOLO-MSLP(multi-scale lightweight pest)。该模型以YOLOv11n为架构基础，首先，为了能更好地处理多尺度害虫的特征信息，在颈部网络中引入多尺度特征融合模块AP＿BiFPN(adaptive pooling bidirectional feature pyramid network)；其次，为增强模型对关键区域聚焦能力，强调跨维度交互，融合改进的多尺度三元组注意力模块MS-TAM(multi-scale triplet attention module)；最后，为满足嵌入式设备部署的需求，利用RepViT(reparameterization vision transformer)和知识蒸馏技术进一步实现模型轻量化。结果显示，YOLO-MSLP的平均精度均值达到94.5%，召回率为91.7%，浮点运算量为6.5GFLOPs，模型大小为4.5MB；相较于基线模型YOLOv11n，检测精度提升了3.1个百分点，推理时耗降低了26.8%。实践表明，YOLO-MSLP模型在识别多尺度水稻害虫方面，具有精确度高和轻量化的优点，可为多尺度水稻害虫研究提供算法参考。

关键词： 深度学习   目标检测   机器视觉   算法优化   特征融合  

摘要： 随着深度学习技术的持续进步,机器视觉对目标检测也有了显着突破。但在应对复杂环境的过程中还面临着精度不高,实时性不强以及小目标检测能力弱等系列挑战。如何提高目标检测的准确率,成了目前急需解决的一个课题。本论文围绕深度学习这一核心,系统地研究目标检测算法优化问题,重点从网络结构设计、损失函数构造和多尺度特征融合三个层面探索性能提升的途径。引入轻量化结构与神经架构搜索机制,增强模型的表达能力,提高部署效率;采用改进的分类与回归损失函数,加强训练的稳定性,提高定位精度;构建多尺度特征融合与注意力引导机制,提高对不同规模目标的适应性与鲁棒性。为复杂环境下的目标检测系统提供理论支持与算法基础,具有重要的应用推广价值。

关键词： 彩色番茄   U-Net   YOLOv8n   成熟度   语义分割   目标检测  

摘要： 准确识别彩色番茄果实成熟状态是实现机器人高效分类采摘的基础。该研究针对彩色番茄颜色多样、背景复杂、成熟度检测精度不高等问题，以多粒度理论为基础，提出一种“先分割，后检测”U-YOLOv8n细粒度的彩色番茄检测方法。首先，利用U-Net对彩色番茄串进行分割，将VGG16作为U-Net的主干网络，增强模型特征提取能力；引入全局注意力机制（global attention mechanism,GAM），以提升模型分割性能。对感兴趣区域(region of interest,ROI)进行分割，减少复杂背景对第二阶段检测任务的干扰。其次，以YOLOv8n为基准模型，构建C2f＿MS模块，提升模型多尺度特征提取能力；采用SCDown模块替换部分Conv，降低计算冗余的同时，保留细节空间信息；去除小目标检测头及部分Neck层结构，降低计算负荷。结果表明，改进后U-Net的平均像素精确度（mean pixel accuracy,MPA）和平均交并比（mean intersection over union,MIoU）分别达94.35%和88.98%。改进后YOLOv8n的精确率、均值平均精度（m AP0.5）分别达93.5%和95.6%，相较于YOLOv8n分别提高了3.1和0.5个百分点；针对较难识别的半熟期，精确率、均值平均精度分别达91.8%和92.4%，较YOLOv8n提高了5.7和1.3个百分点；轻量化方面，较YOLOv8n计算量和参数量分别降低了31%和14%，帧率（frames per second,FPS）提高了41%。该方法可有效完成复杂背景下的彩色番茄成熟度检测任务，为彩色番茄的成熟度分级和智能采摘提供技术支持。

关键词： 卷积神经网络   目标检测   图像分析   无人机   玉米雄穗  

摘要： 精准检测玉米雄穗对保障玉米生产具有重要的理论意义与应用价值。针对当前玉米雄穗检测中存在的不同品种雄穗形态差异明显、田间复杂背景干扰及目标遮挡严重等核心问题，该研究基于YOLOv9m提出多尺度轴向感知与特征增强网络（multi-scale axial aware and feature enhancement network, MAAFENet），用于多品种玉米雄穗的检测。该网络利用交互式跨层融合特征增强模块增强玉米雄穗的关键特征信息，减轻土壤、叶片等背景噪声干扰，并缓解遮挡场景下的特征丢失问题；利用多尺度轴向感知模块结合全局上下文信息和局部细节信息，提升对多品种雄穗的特征提取能力。结果表明，MAAFENet在多品种玉米雄穗检测（multiple varieties maize tassel detection, MVMTD）数据集上的精确率、召回率和平均精度均值分别为92.9%、92.5%和93.9%，比YOLOv9m模型分别提高了1.1、0.9和0.2个百分点。此外，MAAFENet在公开的玉米雄穗检测与计数（maize tassel detection and counting, MTDC）数据集上的精确率、召回率和平均精度均值分别为91.9%、85.9%和92.1%，与YOLOv9m、YOLOv10m等主流模型相比均达到最优。检测可视化的结果表明MAAFENet对于形态各异的玉米雄穗具有良好的检测效果。综上，本文提出的方法能够有效检测出品种多样的玉米雄穗，为后续玉米产量估算提供基础的技术支持。

关键词： 深度学习   目标检测   YOLO11n   WTConv卷积   轻量级上采样算子  

摘要： 【目的】针对无人机所拍摄的图像当中，存在小目标较多、目标之间存在遮挡、漏检、误检、精度不足问题，提出了一种基于YOLO11n的改进模型。【方法】首先，将C3K2模块中的Bottleneck模块里的第二个卷积层替换为WTConv，使得模型复杂度减小，减少计算的负担，解决了由于神经网络扩大感受野时过度参数化的问题；其次，将颈部网络中的上采样算子修改为CARAFE模块，用于增强卷积神经网络特征图的上采样方法，更好地聚合上下文内容，保留细节；其次，将CAA注意力机制引入C2PSA模块，使得模型可以更有效地捕捉上下文信息，提高特征表示的质量；最后，添加ESH模块，提高模型对小目标检测的准确性和多样性。【结果】实验结果显示：经过改进后的模型相较于原始的YOLO11n模型在小目标检测性能方面更加优秀，在VisDrone2019数据集上的准确率、召回率和mAP50 分别达到了47%、37.1%和37.3%，相较于原模型分别提高了 4.5%、5.0% 和 5.8%。【结论】改进的模型增加了对小目标的信息提取能力，同时在精度上有了提高，对于实际的应用有更好的参照。

关键词： 粮田害虫   YOLOv8   目标检测   害虫识别   动态上采样  

摘要： 由于自然场景下粮田害虫检测任务易受目标重叠、尺度不一和复杂背景问题的影响，使得模型对关键特征的感知能力不足并导致其泛化能力下降。为此本文对YOLOv8模型进行了改进，提出了一种基于YOLO-RDHL的粮田害虫检测方法。首先，在颈部网络引入改进后的HC-DySample模块，增强了模型对害虫目标特征的捕获精度和重叠区域感知能力。其次，在主干网络和颈部网络的C2F模块中加入并行的多分支卷积模块(DBB)，提高了模型对多尺度特征的表达能力。然后，在主干网络中引入改进后的RAMLCA自注意力机制，增强了模型在复杂背景下对目标特征的识别能力。最后，将检测头网络替换为改进后的LSCDv2模块，有效提高了模型的检测速度。实验结果表明，YOLO-RDHL模型相比YOLOv8模型在Precision、Recall、mAP50、mAP50-95指标上分别提升了5.1百分点、4.4百分点、4.8百分点、1.7百分点。在推理时间和占用内存方面，YOLO-RDHL与YOLOv8模型相比无明显差距。YOLO-RDHL在保持较低推理时间和占用内存的同时，显著提升了检测精度，体现出更优的性能平衡。本研究为自然场景下粮田害虫识别和预警提供了理论和实践支撑。

关键词： 自动驾驶   YOLOv8   MAFPN   PIoUv2损失函数  

摘要： 自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战，现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此，提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络（Multi-Branch Auxiliary FPN，MAFPN）优化原颈部结构，增强复杂交通场景中的多尺度特征融合能力；在骨干网络中提出C2f＿DEConv模块，将标准卷积替换为细节增强卷积（Detail-Enhanced Convolution， DEConv），通过高频特征保持与局部纹理强化，显著提升对小尺度车辆及遮挡目标的细节捕捉能力；引入PIoUv2（Powerful IoU version 2）损失函数优化改进边界框损失，通过动态尺度敏感因子与几何约束优化，改善目标边界框的回归精度。在KITTI数据集上的实验表明，DMP-YOLO的各项性能指标都有显著提升，其中mAP@0.5达到89.0%，较基线YOLOv8提升2.6%，mAP@50：95提升了2.9%，为自动驾驶场景下的高精度实时检测提供了有效解决方案。