农业机械学报

作者：李路，孙超奇，周玉凡，周铖钰，寇圣宙，陈彦祺

单位：华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,

关键词：小龙虾;多源图像;图像融合;目标识别;深度学习;YOLO v8n

基金：中央高校基本科研业务费专项资金项目（2662023GXPY006）和湖北省科技重大专项（2023BBA001）

针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题，提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先，针对夜晚自然环境下小龙虾图像质量低的问题，采集RGB和红外图像，融合小龙虾的多源信息。其次，在YOLO v8n的骨干网络中使用Ghost卷积和C2f_Repghost模块，减少模型的参数量。然后，在骨干网络和颈部网络之间添加可变形注意力（Deformable attention，DA）机制，增强模型对小龙虾的关注度，提高模型的特征提取效率。最后，采用VoVGSCSP模块替换C2f模块，提升颈部网络的特征融合速度，进一步降低计算量。实验结果表明，FAS-YOLOv8n模型在融合图像数据集上的识别精确率为90.62%，平均精度均值和召回率分别为92.9%和85%。相较于RGB图像数据集和红外图像数据集，识别精确率、平均精度均值和召回率分别提高6.05、8.46个百分点， 4.78、7.14个百分点， 3.84、3.87个百分点。利用融合数据集进行试验，FAS-YOLOv8n模型较原始模型平均精度均值提高5.1个百分点，参数量和浮点数运算量分别降低13.29%和23.17%，模型内存占用量仅为6.2MB，检测速度为86f/s。识别效果优于其他主流目标检测模型，能够实现模型轻量化部署，为巡塘无人机的应用提供技术支撑。

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