耿耀君等：基于改进YOLOv8m的成熟柿子品种及表型特征多标签识别

《农业工程学报》2025年第41卷第17期刊载了西北农林科技大学等单位耿耀君、马萍、李雯敏、苗园爽、关长飞、李润雨与黄铝文的论文——“基于改善YOLOv8m的成熟柿子品种及表型特征多标签识别”。该研究由陕西省重点研发计划（一般农业项目）：农作物病虫害快速诊断研究与预警系统应用（项目号：2023-YBNY-219）资助。

引文信息：耿耀君，马萍，李雯敏，等. 基于改善YOLOv8m的成熟柿子品种及表型特征多标签识别[J]. 农业工程学报，2025，41(17)：143-152.

DOI: 10.11975/j.issn.1002-6819.202503128

阅读全文链接：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202503128

研究目的与方法：

柿子表型特征是其种质资源鉴定的重大依据。为快速准确识别成熟柿子的品种和表型特征，该研究提出了一种改善YOLOv8m的成熟柿子品种及其表型特征多标签识别模型YOLOv8m-LCA。针对自然环境中成熟柿子轮廓存在不规则、难以准确提取的问题，在YOLOv8m网络中，将大型可分离核注意力模块（large separable kernel attention, LSKA）添加到C2f模块（cross-stage partial-connection with 2 convolutions）中，以增强果实边缘特征细节的提取和减少模型计算量。为提高模型对关键表型特征的识别率，在骨干网络中新增4个卷积块注意力模块（convolutional block attention module, CBAM），以增强模型对空间和通道维度的加权注意力处理能力；采用双路径下采样模块替代原有的卷积下采样模块，以减少特征图高频信息损失。调整头部网络的分类损失函数，实现品种与表型特征的多标签实例输出。

结果与结论：

结果表明：在自主构建30个柿子品种以及14类表型特征数据集上，相比YOLOv8m，所提出的模型YOLOv8m-LCA整体识别准确率（P）及平均精度均值（mAP@50）分别为93.0%和94.9%，分别提升了7.4和6.8个百分点；模型大小和参数量分别为27.6 MB和13.63 M，分别降低了47.02%和47.29%，且优于YOLOv5m、YOLOv11m、YOLOv12m等当前主流轻量级YOLO系列目标检测算法。

YOLOv8m-LCA对随机选取的6类柿子品种及其表型特征的检测置信度范围为0.90~0.97，验证了改善模型对柿子关键特征提取的有效性。该方法可为柿子及其他水果种质资源表型特征鉴定提供模型参考。