山东农业大学施国英等:基于改进YOLOv8s的杭白菊检测与花期分类

阅读文章全文：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202409108

《农业工程学报》2025年第41卷第7期刊载了山东农业大学施国英、纪嘉鹏、李天华、李文显、李扬与张观山的论文——“基于改进YOLOv8s的杭白菊检测与花期分类”。该研究由山东省重点研发计划乡村振兴科技创新提振行动计划项目（项目号：2023TZXD065）等资助。

引文信息：施国英，纪嘉鹏，李天华，等. 基于改进YOLOv8s的杭白菊检测与花期分类[J]. 农业工程学报，2025，41(7)：192-199.

DOI: 10.11975/j.issn.1002-6819.202409108

为精准识别与分类不同花期杭白菊，满足自动化采摘要求，该研究提出一种基于改进YOLOv8s的杭白菊检测模型-YOLOv8s-RDL。首先，该研究将颈部网络（neck）的C2f（faster implementation of CSP bottleneck with 2 convolutions）模块替换为RCS-OSA（one-shot aggregation of reparameterized convolution based on channel shuffle）模块，以提升骨干网络（backbone）特征融合效率；其次，将检测头更换为DyHead（dynamic head），并融合DCNv3（deformable convolutional networks v3），借助多头自注意力机制增强目标检测头的表达能力；最后，采用LAMP（layer-adaptive magnitude-based pruning）通道剪枝算法减少参数量，降低模型复杂度。

试验结果表明，YOLOv8s-RDL模型在菊米和胎菊的花期分类中平均精度分别达到96.3%和97.7%，相较于YOLOv8s模型，分别提升了3.8和1.5个百分点，同时权重文件大小较YOLOv8s减小了6 MB。该研究引入TIDE（toolkit for identifying detection and segmentation errors）评估指标，结果显示，YOLOv8s-RDL模型分类错误和背景检测错误相较YOLOv8s模型分别降低0.55和1.26。该研究为杭白菊分花期自动化采摘提供了理论依据和技术支撑。