农业机械学报

作者：任龙龙，杜永辉，李玉强，高昂，宋月鹏

单位：山东农业大学;山东省设施园艺智慧生产技术装备重点实验室,山东农业大学,山东农业大学,山东农业大学,山东农业大学;山东省设施园艺智慧生产技术装备重点实验室,

关键词：设施樱桃授粉;樱桃花;深度学习;目标检测;高效通道注意力机制;YOLO v8

基金：山东省重点研发计划项目（2024TZXD045）和山东省现代果品产业技术体系项目（SDAIT-06-12）

为实现设施环境中樱桃花目标的准确检测，本文在YOLO v8的基础上，提出一种适用于设施环境樱桃花目标检测模型CEG-YOLO。引入跨阶段部分网络与部分卷积结合(Integration of cross-stage partial networks and partial convolution，CSPPC)结构，替换Backbone和Neck网络中的C2f模块，以增强网络的特征提取能力，同时显著降低了模型的浮点运算量和参数量；在SPPF模块前添加轻量化的高效通道注意力(Efficient channel attention，ECA)，进一步增强网络的特征提取能力，提高模型的检测精度；将Neck中的Conv模块替换为GSConv(Grouped spatial convolution)模块，进一步降低模型的参数量和浮点运算量。结果显示，CEG-YOLO模型的精确率为89.8%、召回率为91.3%、mAP为94.8%、参数量为2.03×106、浮点运算量为5.8×109。与原始YOLO v8模型相比，该模型的精确率、召回率和mAP分别提高1.6、1.9、1.8个百分点，参数量和浮点运算量分别减少32.56%和28.40%。与YOLO v3、YOLO v5、YOLO v7、YOLO v9、YOLO v10和YOLO 11模型相比，CEG-YOLO模型mAP分别提高7.7、0.7、1.8、2.1、3.1、1.7个百分点，参数量分别减少76.59%、71.53%、32.56%、55.09%、24.81%和21.31%，浮点运算量分别减少55.04%、45.28%、28.40%、32.56%、29.27%和7.9%。因此，本文提出的CEG-YOLO模型不仅能够准确地检测设施环境中的樱桃花，还具有较低的计算成本，适合部署在樱桃授粉机器人的嵌入式设备上，为设施樱桃的智能授粉提供可行的视觉支持。

来源：2025年第9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9期