基于改進YOLOv8的自然環境下板栗栗蓬檢測方法

摘要：針對人工敲打式收獲板栗帶來高成本和安全風險問題，研究無人機板栗采摘方法至關重要。為達到在自然光照條件下迅速且精確地識別板栗栗蓬目標，提出一種基于YOLOv8的改進卷積網絡模型板栗栗蓬檢測方法。對YOLOv8主干網絡的C2f模塊添加CBAM注意力機制，增強卷積網絡模型對板栗栗蓬特征提取能力。在YOLOv8的頭部增加一個微小栗蓬目標檢測頭，與YOLOv8原有的3個檢測頭共同組成檢測模塊，使網絡模型更好地捕捉小板栗栗蓬目標特征。經自建數據集上的訓練和驗證試驗，改進后卷積網絡YOLOv8-Vcj板栗栗蓬檢測精確率比YOLOv8高1.3%，mAP@0.5和mAP@0.5∶0.95值比YOLOv8分別提高4.6%和3.4%。改進卷積網絡板栗栗蓬檢測誤差主要來自光照條件和圖像中板栗栗蓬目標的密集程度。研究結果表明：融合CBAM注意力機制和增加微小目標檢測頭的改進卷積神經網絡YOLOv8-Vcj能夠有效實現樹上板栗栗蓬的檢測。

關鍵詞：板栗栗蓬;YOLOv8;目標檢測;CBAM;檢測頭

中圖分類號：TS736+.4

文獻標識碼：A

文章編號：2095-5553（2024）12-0251-08收稿日期：2024年3月6日

修回日期：2024年9月25日

*基金項目：國家自然科學基金面上項目（51775270）

第一作者（通訊作者）：李志臣，男，1970年生，山東日照人，博士，副教授；研究方向為機電一體化。E-mail：lzc@jit.edu.cn

Detection method of Chinese chestnut in natural environment based on improved YOLOv8

Li Zhichen， Luo Weiping， Ling Xiujun， Li Hongqiu

（School of Mechanical amp; Electrical Engineering， Jinling Institute of Technology， Nanjing， 211169， China）

Abstract： In view of the high cost and safety risk caused by artificial knock harvest chestnut， it is very important to study the unmanned aerial vehicle chestnut harvest methods. In order to rapidly and precisely identify chestnut targets under natural light conditions， a modified convolutional network model detection method based on YOLOv8 was proposed. The CBAM attention mechanism was added to the C2f module of the YOLOv8 backbone network to enhance the convolutional network model ability of extracting chestnut features. A small chestnut target detection head was added to the head of YOLOv8 which formed the detection module together with the original three detection heads of YOLOv8. This method （YOLOv8-Vcj） enabled the network model to better capture the target features of small chestnut. Through training and validation experiments on the self-built data set， the detection accuracy of YOLOv8-Vcj was 1.3% higher than YOLOv8 and the mAP@0.5 and mAP@0.5∶0.95 values were 4.6% and 3.4% higher than YOLOv8， respectively. The chestnut detection error of the improved convolution network mainly comes from the light conditions and the density of chestnut targets in the images. The research results show that the improved convolutional neural network YOLOv8-Vcj of combining the CBAM attention mechanism and a small target detection head can effectively detect chestnuts on the tree.

Keywords： chestnut peng; YOLOv8; object detection; CBAM; detection head

0 引言

板栗營養豐富、口感怡人而備受人們喜愛，我國板栗種植面積已經穩居全球第一位。板栗收獲以傳統人工敲打式為主，人工收獲板栗效率低且不安全。在我國板栗大多種植在丘陵山區，近幾年農村青壯勞力越來越少，農村老人已經不能爬山而放棄收獲山上成熟板栗，浪費了自然贈與的綠色食品。

板栗的機械化收獲既能解決勞力問題又能增加農民收入。板栗智能采摘機器人是解決農村勞動力不足、降低板栗采摘成本的重要途徑，智能化無人機收獲板栗既能夠無視陡坡山地的限制，完成高空板栗收獲作業，又能節約勞動力、提升板栗收獲效率，對農村板栗種植業具有重要意義。

宋望遠等^［1］研制板栗采收機試圖解決板栗采收問題，但該機上山困難且對陡坡上板栗樹并不有效。張桃桃^［2］研制基于雙目視覺的水果采摘無人機能夠準確定位果實目標。雒鷹等^［3］設計紅松果采摘無人機能夠定位紅松果并用機械手完成采摘收獲。

成熟期板栗栗蓬所處環境的特點是光照條件復雜且綠色栗蓬被同顏色樹葉遮擋，準確獲得樹上栗蓬空間信息是智能化無人機收獲板栗技術開發的首要任務，用深度學習方法準確檢測板栗栗蓬是無人機收獲的前提。

YOLO算法運算時間短、速度快、成本低，適合目標識別，網絡YOLO使用圖像全局特征檢測目標，能夠關注整幅圖像并同時檢測到圖像中所有目標，全局視野使得網絡YOLO適應不同條件和不同場景下的目標檢測。YOLO發展了一系列的版本，截至到現在，YOLO已經發展到v8版本，各種版的YOLO被廣泛應用到農業檢測領域。

多位學者通過改進YOLO結構實現了準確的松材線蟲病異常變色木檢測和提高了無人機圖像麥穗計數的精度^{［4， 5］}。王磊磊等^［6］改進YOLOv5對成熟平菇、未成熟平菇和未生長平菇檢測的精度較高。也有學者利用網絡YOLO進行動物行為檢測或者動物個體識別，取得較好效果^［7-9］。還有學者利用YOLO檢測田間雜草，為智能化除草提供了基礎^{［10， 11］}。喬琛等^［12］基于網絡YOLOv5模型設計的黃瓜霜霉病菌孢子定量檢測卷積神經網絡，有效降低了模型參數計算量和模型深度，提升了對黃瓜霜霉病菌孢子的檢測速度和精度。喬珠峰等^［13］在YOLOv5模型基礎上，引入高效通道注意力機制而開發的草莓病害識別終端可以有效識別草莓白粉菌果病、角斑病、葉斑病等病害。

Ultralytics發布的YOLOv8進一步提高了性能和靈活性，是對各種對象檢測任務可選擇的深度學習模型。許多學者開展了YOLOv8應用于目標檢測研究。劉子洋等^［14］為解決漏檢小目標問題，在YOLOv8中引入注意力機制和GSConv模塊，改進YOLOv8網絡模型精度提高4.6%，小目標檢測精度提高了2.3%。通過加入注意力機制等方法改進YOLOv8網絡模型對帶鋼表面缺陷進行檢測，精度指標有明顯提升^{［15， 16］}。李松等^［17］融合注意力機制和頸部網絡中使用C2fGhost模塊改進YOLOv8網絡，該網絡對道路損傷的檢測精度指標mAP@0.5提高了2%。左昊軒等^［18］通過多次增加注意力機制和替換損失函數的方法進行YOLOv8網絡模型改進，改進模型實現了對玉米莖稈原位的準確識別。

雖然卷積神經網絡YOLOv8目標檢測方法標注簡單、部署時快速、算法成熟、目標檢測識別速度和精度高，但是針對特定目標檢測應用需要有針對性的改進以提高檢測性能，例如當圖像的板栗目標尺度較小時，網絡YOLOv8對應檢測能力也較弱。改進后卷積網絡模型要便于部署到無人機上，這就要求網絡計算量不能增加太多，否則龐大的卷積網絡計算量將使得神經網絡模型在無人機設備上部署變得更加困難。

針對板栗圖像的難分目標引入空間和通道注意力機制，將YOLOv8網絡結構中的C2f模塊改進為C2f_CBAM模塊，提高網絡模型板栗特征提取能力，提高板栗檢測精度。針對板栗栗蓬目標小的特點，研究中在YOLOv8三個檢測頭基礎上增加一個針對小目標識別的檢測頭。

1 數據與方法

1.1 圖像采集及數據集制作

五蓮板栗以營養豐富、果實個大、飽滿、油足，耐貯藏著稱，全縣板栗種植面積達26 666.7 khm²，年產板栗20 kt。馬耳山前的李家峪村有著悠久的板栗種植歷史，村后山板栗林具有代表性，試驗數據采集于這片板栗林，如圖1（a）所示。2023年9月29日—10月3日，在不同時間段、不同天氣狀況下和不同的遮擋條件下，用小米手機拍攝圖像，為提高網絡模型的適應性，從百度下載了一些圖像，如圖1（b）所示，圖1（c）是逆光栗蓬圖像，圖1（d）是順光栗蓬圖像。將942幅圖像分成訓練和驗證2組，844幅圖像用于訓練，98幅圖像用于驗證。

LabelMe是一個用于圖像標注的開源工具，支持各種圖像格式，廣泛應用于計算機視覺和機器學習領域，以用于訓練和評估模型。打開圖像后，運用“Create Polygons”命令菜單在目標邊界繪制矩形框，為每個框添加標簽和屬性。完成一幅圖像的所有目標標注后，以JSON導出標注數據以供后續使用，利用.json轉換成.txt文件的腳本把人工標注的.json標簽文件轉換成.txt文件。

1.2 試驗設備及參數設置

訓練和驗證測試的計算機型號：Lenovo 小新Pro-13 2019，內存容量16 GB，CPU為酷睿i5-10210U。軟件使用Windows10專業版系統，深度學習框架應用PyTorch，在學習過程中采用的優化函數^［19］是自適應矩估計。動量因子為0.9，學習率為0.01，批樣本數量為16。

2 YOLOv8的改進

YOLO通過卷積神經網絡（CNN）模型把圖像分成多個網格，再預測每個網格內存在目標的邊框位置和類別概率，從而實現端到端的目標檢測。2023年，YOLO系列已經發展到v8版本，YOLOv8是一個目標檢測網絡最先進技術（SOTA）和實例分割模型，YOLOv8的推理速度更快、檢測精度更高、更加方便訓練，關鍵是YOLOv8更加易于二次開發。

YOLOv8創新之一就是利用C2f模塊堆疊，構成較多Bottleneck結構，使得不同尺度特征得以更好地提取應用。針對YOLOv8對小目標特征提取不夠完整問題，在YOLOv8頭部引入了CBAM注意力機制。添加CBAM注意力機制僅僅增加了少許計算量，

但能更好地提取板栗栗蓬特征信息，有利于提高卷積神經網絡模型檢測精度。面對具體圖像有多個小目標的現狀，在YOLOv8已有3個檢測頭基礎上增加一個針對多目標和小目標的檢測頭。

2.1 注意力機制

注意力機制可以從大量輸入信息中選擇小部分重要信息來計算而忽略掉一些次要信息。注意力機制方法有很多，而BiFormer是一種雙層路由注意力機制，Biformer同時關注了當前位置之前和之后的信息，BiFormer應用稀疏性有效地節省內存和減少計算量，能夠以查詢自適應方式實現內容感知的稀疏模式。根據文獻的介紹，BiFormer的關鍵是首先在圖像較大區域級別上過濾掉最不相關的鍵值對，只保留一小部分路由區域，再在這小部分路由區域應用標記到標記（token-to-token）注意力^［20］。文獻［14］介紹的方法也是通過引入BiFormer改進YOLOv8提升了卷積網絡模型性能。

雖然BiFormer性能優異，但經過試驗發現，在YOLOv8后端添加BiFormer注意力機制，總參數量達到3 438 948，每秒10億次的浮點運算數（GFLOPs）達到7 845.5，即使是把BiFormer添加到YOLOv8前端，GFLOPs也達到了1 726，如此高的運算在1.2節所述的試驗環境下不能開展卷積網絡模型訓練。

越往YOLOv8的里層，特征通道數越多，通道拼接就不可避免地產生信息冗余，因此需要對通道進行加權，這就是通道注意力機制，該機制即可使網絡應用全局信息，又能有選擇地加權應用通道信息，抑制了冗余信息，有利于提高網絡模型的有用特征提取能力。

同樣的原理，在每個特征圖里都存在噪聲信息和冗余信息，通過一個可訓練權重參數與輸入數據進行相乘，可使局部區域信息受到更加關注，從而使得網絡模型更有效地抑制噪聲或提取有效特征信息，這就是空間注意力機制。空間注意力機制主要特點在于其對輸入數據的局部區域進行重點關注，在處理噪聲或復雜信息時具有更高性能和魯棒性。

融合空間注意力機制和通道注意力機制的CBAM注意力機制模塊對卷積神經網絡感知能力有較大提高，從而提高網絡的檢測能力。有學者在卷積網絡YOLOv8中添加坐標通道或者全局注意力機制模塊，提高了目標檢測精度以及對不同尺度目標特征提取能力^［21-24］。

網絡YOLOv8的主干部分是Backbone，主要作用是特征提取，YOLOv8的Backbone中使用C2f模塊，該模塊應用殘差網絡結構進行特征學習，保證了網絡YOLOv8在擁有豐富梯度流信息的同時使得網絡輕量化。

C2f模塊中進入到Bottleneck計算序列通道數僅僅是C2f輸入通道的0.5倍，計算量降低、梯度流增加從而提升收斂速度和收斂效果。通過修改C2f模塊提高卷積網絡目標檢測性能被多位學者應用^［25］。把CBAM注意力機制添加到C2f模塊形成新的模塊C2f_CBAM，可以更好地理解板栗圖像上下文信息和圖像信息的空間關系，卷積神經網絡的表現力和性能得以增強。利用C2f_CBAM替換YOLOv8第4、第6個模塊的C2f形成新卷積網絡，如表1所示。通過在C2f模塊中添加CBAM注意力機制，可對C2f拼接多個通道造成的通道信息冗余問題得以緩解，使得Backbone往里層輸入的特征信息更加有利于板栗栗蓬目標檢測，從而提高卷積網絡模型的板栗栗蓬檢測精度。

2.2 增加檢測頭

網絡YOLOv8頭部輸出端（Head）是網絡的檢測預測部分，Head可以根據尺寸大小不一特征圖獲取不同大小目標物體的類別和位置信息。YOLOv8共有三個檢測頭用于檢測大型目標、中型目標和小型目標，但對于板栗樹圖像中的許多微小栗蓬目標檢測能力不佳。如果栗蓬目標標簽框面積與整個圖像面積之比小于0.1%就是微小栗蓬目標，往往微小栗蓬目標不僅小而且存在不同程度的遮擋、模糊和不完整現象，從而使得微小栗蓬目標檢測變得非常困難。有學者在YOLOv7路徑聚合部分增加第4檢測支路，提高了網絡模型對農田復雜環境下害蟲小目標的檢測性能^［26］。因此在YOLOv8的頭部增加一個微小栗蓬目標的檢測頭就顯得很有必要。增加的檢測頭有自己獨特的錨框和預測層，與YOLOv8原有的3個檢測頭共同組成檢測模塊，用于檢測在圖像中尺寸差別較大的板栗栗蓬目標。增加檢測頭后，可使網絡模型更好地捕捉小目標的特征，多個檢測頭并行進行板栗栗蓬目標檢測，可提高板栗目標檢測實時性。

2.3 網絡結構

綜合這兩個方面改進的YOLOv8網絡結構，將該網絡命名為YOLOv8-Vcj，改進的栗蓬檢測網絡既能夠檢測大栗蓬目標，也能夠檢測小栗蓬目標。為了方便栗蓬識別效果比較，將僅僅添加檢測頭的深度學習網絡稱作YOLOv8-Vj。改進卷積網絡YOLOv8-Vcj與YOLOv8參數和網絡結構的對比，如表1所示。YOLOv8-Vcj有28個卷積網絡模塊（module），YOLOv8僅有22個卷積模塊，表1中未列出的模塊表示網絡YOLOv8-Vcj和YOLOv8具有相同的卷積模塊。對于序號為4和6的模塊，YOLOv8應用C2f卷積，YOLOv8-Vcj使用C2f_CBAM卷積，在網絡中的位置如圖2所示，圖中每個框代表一個網絡模塊，Conv是卷積模塊，該模塊包含卷積、批歸一化和激活等運算過程。C2f模塊在densenet基礎上增加跳層連接，取消分支卷積，增加split操作。SPPF模塊利用三次連續池化，采用大kernel和非膨脹卷積，降低了計算量，增大了感受野。Upsample為上采樣模塊。Concat將兩個張量在同一個維度上連接在一起，生成一個更大的張量。YOLOv8 有三個檢測頭，分別在15、18和21模塊檢測輸出。YOLOv8-Vcj有四個檢測頭（Detect模塊），分別在18、21、24和27模塊檢測輸出。改進網絡與未改進卷積網絡的有關結構參數如表2所示，改進網絡YOLOv8-Vcj的參數量和運算量比YOLOv8的多。

2.4 評價指標

選擇全類平均正確率mAP作為網絡模型的評價指標，在深度學習目標檢測任務中，mAP是個十分重要的衡量指標，mAP是將所有類別檢測的平均正確率（AP）進行綜合加權平均而得到的。在栗蓬的目標檢測中，檢測閾值的大小影響到mAP值的變化，因此，在研究中用mAP@0.5和mAP@0.5∶0.95來評價卷積網絡模型檢測板栗栗蓬的性能，mAP@0.5是指將重疊度IoU的閾值設置為0.5時計算得出的mAP值，mAP@0.5∶0.95表示在不同IoU閾值（從0.5～0.95，步長0.05）上的平均mAP。IoU的計算見式（1），設目標檢測任務中共有n類檢測目標，第i類目標檢測的正確率為AP_i，計算mAP的見式（2）。

IoU=area（B_p∩B_gt）/area（B_p∪B_gt） （1）

mAP=1/n∑n-1/0AP_i （2）

式中：B_p——栗蓬檢測框；

B_gt——栗蓬真實框。

具體的栗蓬檢測識別的AP的算法步驟：（1）標記每個檢測到的栗蓬框的序號，計算其TP、FP和FN。選取IoU的閾值為IoU_T，TP-IoUgt;IoU_T的栗蓬檢測框的數量，FP-IoU≤IoU_T的栗蓬檢測框的數量或者檢測到同一個栗蓬多余的檢測框數量，FN-實際是栗蓬而沒有檢測到的栗蓬數量。（2）標記的框按置信度有序排列，根據累積的TP、FP和FN計算每個框的P和R值，見式（3）和式（4）。（3）計算P-R曲線下的面積，AP就等于該面積的值。

P=TP/TP+FP （3）

R=TP/TP+FN （4）

3 訓練、驗證與評估

3.1 訓練策略和對比試驗

對3個卷積神經網絡模型YOLOv8、YOLOv8-Vj和YOLOv8-Vcj展開訓練，網絡訓練環境如1.2節所述，用844幅各種條件下拍攝的板栗樹圖像訓練卷積網絡，用99幅板栗樹圖像驗證卷積網絡，開始訓練前，設置迭代次數為200個epoch，啟用早停策略，在迭代過程中當超過50個epoch性能不再提高就停止迭代，保存最優的權重模型。

精度—置信度曲線是一種評估卷積神經網絡檢測性能的工具，該曲線能夠展示網絡模型在不同置信度閾值下精度變化情況。圖3（a）、圖3（b）分別是網絡模型YOLOv8和YOLOv8-Vcj的精度—置信度曲線。兩個網絡模型對板栗栗蓬的檢測精度都在置信度閾值0.8附近達到最高值1，說明當把置信度閾值設置較高時，兩個網絡仍能獲得高的板栗栗蓬檢測精度。經過驗證試驗，3個網絡模型的性能如表3所示。

YOLOv8相對于另外兩個卷積網絡，參數量以及計算量少，迭代33個epoch就能達到最佳值，添加CBAM注意力機制和增加一個檢測頭的卷積網絡YOLOv8-Vcj迭代63個epoch達到最優值。通過用相同的樹上栗蓬圖像數據集分別對YOLOv8、YOLOv8-Vj和YOLOv8-Vcj三種深度學習網絡模型進行驗證試驗，三個卷積網絡的單幅板栗圖像的檢測時間都不超過300 ms。

網絡YOLOv8-Vj對自然環境下栗蓬檢測性能比YOLOv8略高，說明增加一個檢測頭能夠檢測到小栗蓬目標，融合注意力機制和增加檢測頭的改進卷積神經網絡YOLO-Vcj的精確率比YOLOv8高1.3%，

YOLO-Vcj檢測mAP@0.5和mAP@0.5∶0.95比YOLOv8分別提高4.6%和3.4%，基于YOLOv8改進神經網絡YOLO-Vcj的栗蓬果實信息挖掘能力更優，栗蓬果實特征提取性能更高，綜合比較3個卷積網絡評估指標，改進YOLOv8的卷積網絡模型YOLO-Vcj對栗蓬的檢測具有更好的性能。

3.2 熱力圖分析

類激活映射CAM（Class Activation Map）是一種生成熱力圖的技術，用于突出圖像類的特定區域，熱力圖可以清晰展示卷積網絡模型對板栗栗蓬特征提取的效果，熱力圖還可以比較兩個卷積網絡模型特征提取的差異。使用熱力圖以權重形式來展現神經網絡對圖片的哪一部分激活值最大，熱力圖中的顏色越深，表示該區域的權重值越高。逆光拍攝板栗圖像檢測難度較大，圖4展示卷積網絡YOLOv8和YOLOv8-Vcj對逆光板栗圖像的熱力圖比較，圖4（a）為YOLOv8檢測板栗圖像熱力圖，圖4（b）為YOLOv8-Vcj檢測板栗圖像熱力圖。

卷積網絡YOLOv8板栗檢測的深色區域雜亂無章，不能聚焦，最深色區域不在板栗栗蓬區，網絡YOLOv8對掛在樹梢上的栗蓬目標關注較少，相對而言沒有提取到豐富的板栗栗蓬目標特征。而對于卷積網絡YOLOv8-Vcj，深色更加集中在板栗果實周圍，網絡YOLOv8-Vcj模型對于板栗栗蓬特征更加重視，改進卷積網絡對不同尺度板栗栗蓬目標特征提取效果有著明顯的增強，從而證明網絡YOLOv8-Vcj具有更佳的板栗檢測性能。改進網絡YOLOv8-Vcj算法能夠符合對板栗栗蓬目標的檢測要求，可以應用到自然光條件下的樹上板栗栗蓬檢測任務中。

3.3 精度影響因素

板栗一般在九月底采摘，此時板栗樹葉沒有脫落，往往對板栗栗蓬形成部分或全部遮擋。改進卷積網絡YOLO-Vcj能夠對遮擋板栗有效檢測，如圖5（a）和圖5（b）所示，圖5（a）中右上方兩個板栗栗蓬大部分被遮擋，網絡YOLO-Vcj也能檢測，但是多檢測出一個框，并且置信度只有0.4，在該圖像中右下方的一個板栗栗蓬小目標被有效檢測到，圖5（b）中的板栗栗蓬遮擋面積超過50%，網絡YOLO-Vcj也能準確檢測到。經過比照分析，改進卷積神經網絡能提取被板栗葉遮擋栗蓬的特征，網絡YOLO-Vcj對樹葉遮擋栗蓬目標都能正確地識別。圖5（c）為逆太陽光拍攝的板栗圖像，圖像中有4個板栗栗蓬目標，網絡YOLO-Vcj檢測到3個板栗栗蓬目標，最上方的1個栗蓬有2個檢測框，造成重復檢測，2個檢測框的最大置信度僅有0.37，右上方的栗蓬目標被漏檢。逆光刺眼環境下，肉眼識別栗蓬目標難度加大。用于訓練、測試的板栗圖像是在不同時間段和不同的天氣條件下拍攝的，板栗栗蓬目標外觀特征會發生一定程度的變化，從而影響網絡模型YOLO-Vcj對板栗栗蓬目標檢測的準確性。逆光圖像中可能存在光線反射、陰影、光照不均等噪聲，逆光條件下，目標物體可能與背景亮度幾乎一致，缺乏足夠的對比度，逆光板栗圖像的這些限制導致網絡YOLO-Vcj檢測算法不能準確地識別和定位板栗目標物體。

圖5（d）中含有許多個板栗栗蓬目標，每個栗蓬目標都比較小，盡管網絡YOLO-Vcj能夠檢測到絕大部分目標，但既有重復檢測現象也有置信度偏低現象，左上方密集小目標栗蓬有的未能有效檢測識別。小目標栗蓬在圖像中占有像素數量少，特征提取的信息較少，訓練網絡過程中，由于大目標栗蓬數量多，小目標栗蓬數量少，因此在學習中被大目標栗蓬主導，小目標栗蓬在整個學習過程被忽視。盡管增加一個小目標檢測頭，但小目標栗蓬分辨率低、圖像模糊、攜帶信息少，在提取特征的過程中，能提取到的特征非常少，不利于改進網絡YOLO-Vcj對小目標板栗栗蓬的檢測。

板栗樹生長在山上，圖像的背景復雜，板栗圖像背景包括各種類型的樹木、不同種類的果實等內容，這些因素都能干擾網絡模型YOLO-Vcj對板栗栗蓬目標檢測，使卷積網絡造成栗蓬的漏檢或者誤判。

4 結論

1）人工采摘板栗耗時且勞動密集，無人機采摘板栗效率高、適應性強，可解決山區板栗收獲難題。通過開展在C2f模塊中添加CBAM注意力機制的研究，并在YOLOv8具有三個檢測頭的基礎上增加一個檢測頭獲得新卷積網絡YOLO-Vcj。改進網絡對自然光照條件下的板栗栗蓬檢測平均精度達到了87.8%，與未改進的YOLOv8相比提高了1.3個百分點，板栗栗蓬檢測的mAP@0.5和mAP@0.5∶0.95值分別達到了83.1%和38.7%。比YOLOv8分別提高4.6個和3.4個百分點，改進YOLOv8網絡模型用于樹上栗蓬目標的識別是可行的。

2）改進卷積網絡參數量增加不大，每幅板栗栗蓬圖像檢測時間在300 ms以內，檢測速度較快，滿足栗蓬檢測是實時性要求，具備無人機移植潛力。

改進卷積網絡模型YOLO-Vcj對逆光條件下和密集多又小板栗目標圖像檢測存在漏檢現象，在今后的研究中可采取圖像數據增強的方法增加逆光板栗圖像的數量，從而提高卷積網絡模型的泛化能力。還可融合板栗紅外圖像，提高板栗檢測的準確性。

參 考 文 獻

［1］ 宗望遠， 黃木昌， 肖洋軼， 等. 板栗收獲拍打式落果裝置設計與試驗［J］. 農業工程學報， 2022， 37（18）： 1-10.

Zong Wangyuan， Huang Muchang， Xiao Yangyi， et al. Design and experiment of the fruit-beating dropping device for chestnut harvesters ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 37（18）： 1-10.

［2］ 張桃桃. 基于可拓設計的無人機水果采摘的結構設計［D］. 廣州：廣東工業大學， 2016.

Zhang Taotao. The design of the structure about UAV fruit picker based on the extension design ［D］. Guangzhou：Guangdong University of Technology， 2016.

［3］ 雒鷹， 程鴻遠， 孟黎鵬， 等. 利用無人機采摘紅松球果初探［J］. 林業機械與木工設備， 2022， 50（1）： 64-66.

Luo Ying， Cheng Hongyuan， Meng Lipeng， et al. Preliminary study on picking pinus koraiensis cones using unmanned aerial vehicles ［J］. Forestry Machinery amp; Wood Working Equipment， 2022， 50（1）： 64-66.

［4］ 黃麗明， 王懿祥， 徐琪， 等. 采用YOLO算法和無人機影像的松材線蟲病異常變色木識別［J］. 農業工程學報， 2021， 37（14）： 197-203.

Huang Liming， Wang Yixiang， Xu Qi， et al. Recognition of abnormally discolored trees caused by pine wilt disease using YOLO algorithm and UAV images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（14）： 197-203.

［5］ 鮑文霞， 謝文杰， 胡根生， 等. 基于TPH-YOLO的無人機圖像麥穗計數方法［J］. 農業工程學報， 2023， 39（1）： 155-161.

Bao Wenxia， Xie Wenjie， Hu Gensheng， et al. Wheat ear counting method in UAV images based on TPH-YOLO ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（1）： 155-161.

［6］ 王磊磊， 王斌， 李東曉， 等. 基于改進YOLOv5的菇房平菇目標檢測與分類研究［J］. 農業工程學報， 2023， 39（17）： 163-171.

Wang Leilei， Wang Bin， Li Dongxiao， et al. Object detection and classification of pleurotus o-streatus using improved YOLOv5 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（17）： 163-171.

［7］ 肖德琴， 曾瑞麟， 周敏， 等. 基于DH-YOLOX的群養馬崗鵝關鍵行為監測［J］. 農業工程學報， 2023， 39（2）： 142-149.

Xiao Deqin， Zeng Ruilin， Zhou Min， et al. Monitoring the vital behavior of Magang geese raised in flocks based on DH-YOLOX ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（2）： 142-149.

［8］ 王政， 許興時， 華志新， 等. 融合YOLOv5n與通道剪枝算法的輕量化奶牛發情行為識別［J］. 農業工程學報， 2022， 38（23）： 130-140.

Wang Zheng， Xu Xingshi， Hua Zhixin， et al. Lightweight recognition for the oestrus behavior of dairy cows combin ing YOLOv5n and channel pruning ［J］.Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（23）： 130-140.

［9］ 金耀， 何秀文， 萬世主， 等. 基于YOLOv3的生豬個體識別方法［J］. 中國農機化學報， 2021， 42（2）： 178-183.

Jin Yao， He Xiuwen， Wan Shizhu， et al. Individual pig identification method based on YOLOv3 ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 178-183.

［10］ 張繼成， 侯郁碩， 鄭萍， 等. 低數據集下基于ASPP-YOLO V5模型的莧菜識別方法研究與試驗［J］. 農業機械學報， 2023， 54（S2）： 223-228.

Zhang Jicheng， Hou Yushuo， Zheng Ping， et al. Research and experiment of amaranth identification method based on ASPP-YOLO V5 model in low data set ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（S2）： 223-228.

［11］ 王秀紅， 王慶杰， 李洪文， 等. 基于YOLOv5-Jexton TX2的秸稈覆蓋農田雜草檢測方法［J］. 農業機械學報， 2023， 54 （11）： 39-48.

Wang Xiuhong， Wang Qingjie， Li Hongwen， et al. Weed detection method of straw-covered farmland based on YOLOv5-Jexton TX2 ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（11）： 39-48.

［12］ 喬琛， 韓夢瑤， 高葦， 等. 基于Faster-NAM-YOLO的 黃瓜霜霉病菌孢子檢測［J］. 農業機械學報， 2023， 54（12）： 288-299.

Qiao Chen， Han Mengyao， Gao Wei， et al. Quantitative detection of cucumber downy mildew spores at multi-scale based on Faster-NAM-YOLO ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（12）： 288-299.

［13］ 喬珠峰， 趙秋菊， 郭建鑫， 等. 基于改進YOLOv5的草莓病害智能識別終端設計［J］. 中國農機化學報， 2024， 45（3）： 205-211.

Qiao Zhufeng， Zhao Qiuju， Guo Janxini， et al. Design of strawberry disease intelligent identification terminal based on improved YOLOv5［J］. Journal of Cinese Agricultural Mechanization， 2024， 45（3）： 205-211.

［14］ 劉子洋， 徐慧英， 朱信忠， 等. Bi-YOLO：一種基于YOLOv8改進的輕量化目標檢測算法［J］. 計算機工程與科學， 2024， 46（8）： 1444-1454.

Liu Ziyang， Xu Huiying， Zhu Xinzhong， et al. Bi-YOLO： An improved lightweight object detection algorithm based on YOLOv8 ［J］. Computer Engineering amp; Science， 2024， 46（8）： 1444-1454.

［15］ 王春梅， 劉歡. YOLOv8-VSC：一種輕量級的帶鋼表面缺陷檢測算法［J］.計算機科學與探索， 2024， 18（1）： 151-161.

Wang Chunmei， Liu Huan. YOLOv8-VSC： A lightweight algorithm for strip surface defect detection ［J］. Journal of Frontiers of Computer Science and Technology， 2024， 18（1）： 151-161.

［16］ 崔克彬， 焦靜頤. 基于MCB-FAH-YOLOv8的鋼材表面缺陷檢測算法［J］. 圖學學報， 2024， 45（1）： 112-125.

Cui Kebin， Jiao Jingyi. Steel surface defect detection algorithm based on MCB-FAH-YOLOv8 ［J］. Journal of Graphics， 2024， 45（1）： 112-125.

［17］ 李松， 史濤， 井方科. 改進YOLOv8的道路損傷檢測算法［J］. 計算機工程與應用， 2023， 59（23）： 165-174.

Li Song， Shi Tao， Jing Fangke. Improved road damage detection algorithm of YOLOv8 ［J］.Computer Engineering and Applications， 2023， 59（23）： 86-95.

［18］ 左昊軒， 黃祺成， 楊佳昊， 等. 基于雙目視覺和改進YOLOv8的玉米莖稈寬度原位識別方法［J］. 智慧農業（中英文）， 2023， 5（3）： 165-174.

Zuo Haoxuan， Huang Qicheng， Yang Jiahao， et al. In situ identification method of maize stalk width based on improved YOLOv8 ［J］. Smart Agriculture， 2023， 5（3）： 165-174.

［19］ 李志臣， 凌秀軍， 李鴻秋， 等. 基于改進ShuffleNet的板栗分級方法［J］. 山東農業大學學報（自然科學版）， 2023， 54（2）： 299-307.

Li Zhichen， Ling Xiujun， Li Hongqiu， et al. Chestnut grading method based on improved ShuffleNet ［J］. Journal of Shandong Agricultural University （Natural Science Edition）， 2023， 54（2）： 299-307.

［20］ 張林鍹， 巴音塔娜， 曾慶松. 基于StyleGAN2-ADA和改進YOLOv7的葡萄葉片早期病害檢測方法［J］. 農業機械學報， 2024， 55（1）： 241-252.

Zhang Linxuan， Ba Yintana， Zeng Qingsong. Grape disease detection algorithm based on StyleGAN2-ADA and improved YOLOv7 ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024， 55（1）： 241-252.

［21］ 李斌， 雷鈞涵， 郭毅. 基于CCA和Transformer的YOLOv8船舶目標檢測算法［J］. 控制工程， 2024， 31（5）： 901-911.

Li Bin， Lei Junhan， Guo Yi. YOLOv8 ship target detection algorithm based on CCA and Transformer ［J］. Control Engineering of China， 2024， 31（5）： 901-911.

［22］ 彭紅星， 徐慧明， 高宗梅， 等. 基于改進YOLOF模型的田間農作物害蟲檢測方法［J］. 農業機械學報， 2023， 54（4）： 285-294， 303.

Peng Hongxing， Xu Huiming， Gao Zongmei， et al. Insectpest detection of field crops based on improved YOLOF model ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（4）： 285-294， 303.

［23］ 苗榮慧， 李志偉， 武錦龍. 基于改進YOLO v7的輕量化櫻桃番茄成熟度檢測方法［J］. 農業機械學報， 2023， 54（10）： 225-233.

Miao Ronghui， Li Zhiwei， Wu Jinlong. Lightweight maturity detection of cherry tomato based on improved YOLOv7 ［J］.Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（10）： 225-233.

［24］ 倪云峰， 霍潔， 侯穎， 等. 基于YOLOv8-OCR的井下人員檢測算法［J］.無線電工程， 2024， 54（8）： 1847-1853.

Ni Yunfeng， Huo Jie， Hou Ying， et al. Underground personnel detection algorithm based on YOLOv8-OCR ［J］. Radio Engineering， 2024， 54（8）： 1847-1853.

［25］ 張秀再， 沈濤， 許岱. 基于改進YOLOv8算法的遙感圖像目標檢測［J］. 激光與光電子學進展， 2024， 61（10）： 298-308.

Zhang Xiuzai， Shen Tao， Xu Dai. Improved YOLOv8 algorithm for remote sensing image target detection ［J］. Laser amp; Optoelectronics Progress， 2024， 61（10）： 298-308.

［26］ 趙輝， 黃鏢， 王紅君， 等. 基于改進YOLOv7的農田復雜環境下害蟲識別算法研究［J］. 農業機械學報， 2023， 54（10）： 245-254.

Zhao Hui， Huang Biao， Wang Hongjun， et al. Pest identification method in complex farmland environment based on improved YOLOv7［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（10）： 245-254.