农业机械学报

作者：喻陈楠，伍永红，周杰，姚坤，郇晓龙，陈建能

单位：浙江理工大学;全省农业智能感知与机器人重点实验室,浙江理工大学,浙江理工大学,浙江理工大学,浙江理工大学;全省农业智能感知与机器人重点实验室,浙江理工大学;全省农业智能感知与机器人重点实验室,

关键词：杭白菊;图像识别;目标检测;YOLO v8;遮挡检测

基金：国家自然科学基金项目（32301715、U23A20175）、全省农业智能感知与机器人重点实验室开放课题基金项目（2025QSZD2505）和浙江理工大学校内科研启动基金项目（23242167-Y）

在非结构环境下，由于杭白菊的簇状生长特性导致相互遮挡严重，使得杭白菊检测算法的检测精度较低。针对该问题，提出一种改进YOLO v8n的杭白菊检测模型Hwc-YOLO v8n（Hangzhou white chrysanthemum-YOLO v8n）。首先，提出通过增加标签的方式，将实际需求的双类别标签改变为三类别，提升模型对杭白菊各个花期的关键性特征的精细化检测能力；其次，在主干网络中设计一种动态特征提取模块(C2f-Dynamic)，以加强模型对被遮挡目标特征缺失情况的动态适应，并在检测头部分增加160像素×160像素的检测头，使得模型具备针对小目标检测的能力；最后，采用角度惩罚度量的损失（SIoU）优化边界框损失函数，提升了模型检测精度和泛化能力。模块位置试验和热力图试验表明，C2f-Dynamic模块能动态适应遮挡目标的特征变化。改进后的Hwc-YOLO v8n模型对遮挡杭白菊识别的平均精度均值提升了1.7个百分点，召回率均值提高了0.88个百分点。模型消融和对比试验结果表明，改进后的Hwc-YOLO v8n模型相比于DETR、SSD、YOLO v5、YOLO v6和YOLO v7，对杭白菊的检测效果更好。平均精度均值相较于DETR、SSD、YOLO v5、YOLO v6和YOLO v7分别提升了5.7、12.6、0.7、0.75、11.25个百分点，召回率均值相较于YOLO v5和YOLO v7提升了2.15、1.4个百分点，可为后续杭白菊智能化采收作业提供技术支撑。

来源：2025年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第5期