一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型

摘要：黄精是重要的药食同源品种，在黄精的种植与育种过程中，通常采用基于个人经验的人工方式进行种子成熟度识别，但该方式存在主观性强、精确度不稳定的问题，会在一定程度上影响种植后黄精的产量和质量，进而影响黄精产品的品质和下游产业的经济效益；另一方面，由于黄精种植地块通常较为分散，使得人工识别种子成熟度的方式较为低效。为了解决以上问题，本研究提出一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型-YOLOv8n-FasterNeL-EMA。首先，在模型轻量化方面，通过将YOLOv8n主干网络中原本的卷积替换为FasIerNet的PConv卷积结构，与BotIleneck层结合后得到新的c2f-FasLerNet模块，从而减小模型的计算量与内存消耗；其次，在模型泛化性能方面，通过使用EMA注意力机制与YOLOv8n颈部网络中检测处的c2f模块结合，提升模型的特征提取能力，进而改善模型的泛化能力。为验证所提模型的性能，在构建的黄精种子成熟度数据集上进行了对比实验，结果表明，与原YOLOv8n模型相比，本研究所提模型在平均识别精度上提升了2.1%，同时模型的参数量降低了21.3%；此外，与SSD、YOLOv5n相比，本研究所提模型在识别精度和速度上也取得一定的提升。因此，YOLOv8n-FasterNet-EMA能有效识别黄精种子的成熟度，这对实现黄精种子成熟度的智能化识别，进而提升黄精育种的质量、改善下游产业的经济效益均具有重要的实际意义。

关键词：黄精；种子成熟度识别；卷积神经网络；YOLOv8n；FasterNet；EMA注意力机制

中图分类号：S126：S567.23+9 文献标识号：A 文章编号：1001-4942（2025）01-0156-10

黄精是药食同源的品种，有补阴益气、美容养颜、调节血糖血脂等多种功效。随着现代人对养生的重视，市场对于黄精产品的需求不断上升，导致野生黄精的产量难以满足市场的需要，人工栽培的黄精成为黄精有关产品原料来源的主要渠道。育种是人工栽培黄精必不可少的环节，而育种过程中关于黄精种子成熟度的判断，多采用基于个人经验的人工方式，存在主观性强、精确度不稳定的问题；另外，人工栽培黄精地块分散，而收获时间较集中，人工识别成熟度的方式较为低效，易受客观因素影响，导致优质种子的浪费，影响后续黄精种植后的产量和质量，进而影响黄精下游产业的质量和经济效益。黄精种子成熟度智能识别技术能够有效解决人工识别成熟度低效和精确度不稳的问题，提高采摘和种植的效率，而且还有助于农民选择达到要求的地块进行采摘，确保种子来源的一致性和可靠性。因此，这一技术对于推动黄精种植业及其下游产业的品质和经济效益是必要的。

深度学习已广泛应用于农业工程领域，在农作物种子或果实的成熟度识别领域也有应用。目前，对于果实与种子成熟度的识别算法主要有两种，一种是使用区域卷积神经网络R-CNN为代表的二阶段算法，另一种是以卷积神经网络YOLO为代表的一阶段算法。两种算法各有优劣：二阶段算法在精度方面有优势，但识别速度较慢，难以满足较为实时性的需求：一阶段算法在实时性上更具优势，但精度相对较低。因此，在选择识别算法时需根据具体任务需求和场景进行权衡。袁明新等选用VGG-F模型进行预训练，并在训练过程中融入局部归一化的数据预处理，对于自然环境下的苹果成熟度识别的平均准确率达到了65.5%。曾俊等通过改进YOLOv5s模型，并引入CBAM（convolutional block attention module）注意力机制，对自然环境下桃子成熟度进行快速检测识别，平均精度均值达到了88.6%。李阳德等通过将YOLOv4的骨干网络替换为轻量级网络MobileNet V3，对于自然环境下的菠萝成熟度识别的平均精度均值达到了90.92%。熊俊涛等利用轻量化YOLOv5，通过去掉Focus层及减少使用C3 Layer的方式，对自然环境下的木瓜成熟度进行识别，平均精度均值达到了92.4%。朱旭等改进Faster R-CNN算法，通过卷积神经网络（CNN）、区域候选网络（RPN）、感兴趣区域池化（ROI Pooling）和分类网络实现蓝莓图像背景消除来提升果实识别效果，平均识别准确率达到了94.67%。马瑞峻等通过替换YOLOv5主干网络为CSPDarkNet，并引入SE（squeeze-and-ex-citation）注意力机制，对于存在枝条遮挡与果实遮挡情况下的火龙果检测能力明显增强，平均精度均值达到了94.9%。王立舒等采用CSPDark-net53-Tiny网络模型替换YOLOv4的主干网络，并将CBAM注意力机制加入到YOLOv4的特征金字塔中，实现了在遮挡与光照不均的环境下对蓝莓成熟度检测的平均精度均值达到96.24%。陈仁凡等通过在YOLOv5s的主干中引入Shuffle-Block作为提取网络，实现模型轻量化，在温室环境下对草莓成熟度识别的平均精度均值达到了97.4%。杨坚等通过将CBAM注意力机制集成到YOLOv4-tiny模型骨干网络中，并用Mish激活函数替代ReLU激活函数，对自然环境下的番茄成熟度识别的平均精度均值达到了97.9%。王铁伟等提出了一种基于数据平衡的Faster R-CNN冬枣识别方法，利用ROI提取方法，并采用数据平衡操作，对自然环境下不同成熟度的冬枣进行识别，平均精确度达到了98.5%。