农业机械学报

作者：顾文娟，刘浩状，魏金，高文奇，阴艳超，刘孝保

单位：昆明理工大学,昆明理工大学,昆明理工大学,昆明理工大学,昆明理工大学,昆明理工大学,

关键词：番茄果实;目标检测;改进YOLO v8n;FasterNet;BiFPN;WIoU

基金：国家自然科学基金项目（52065033）、云南省科技厅基础研究专项（202401AT070349）和云南省教育厅科学研究基金项目（2024J0069）

番茄果实的快速准确检测是实现其智能采摘的重要前提，针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题，提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络，提高模型的特征提取能力；通过在颈部网络中融合P2小目标检测分支和双向特征金字塔网络（Bidirectional feature pyramid network，BiFPN）结构，降低复杂背景的干扰以提高模型的检测精度；使用WIoU（Wise intersection over union）损失函数提高模型在遮挡、重叠情况下的果实定位精度，同时加快模型收敛；基于NCNN框架将模型部署到移动端进行测试。试验结果表明，FPBW-YOLO v8模型精确率、召回率、平均精度均值（mAP@0.5和mAP@0.5:0.95）分别达到97.9%、95.1%、98.3%和74.3%，相较于Faster R-CNN、SSD、YOLO v8n、YOLO v7、YOLO v5n和Rt-Detr均有明显优势，且模型内存占用量仅8?7?MB。在移动端上的测试结果表明，本文模型能够在计算资源有限的硬件设备上获得较高的检测精度，可以有效解决复杂场景下番茄果实的识别问题，为番茄采摘机器人的研发提供技术支持。

来源：2025年第8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8期