Smart Agricultural Technology·10月14日 · 周三论文农业人工智能与决策模型阅读 1
Enhanced YOLOv8n for adhered leaf cluster detection in RGB-based fresh green tea leaf sorting
Jian Wang · Yi-jian Liu · Yin-yin Lin 等 10 人
论文解读
76精选
速览
提出改进YOLOv8n模型SDSI-YOLO，实现鲜茶叶粘连叶簇的高精度检测。
方法
融合StarNet主干、DySample上采样与Shape-Inner-IoU损
发现
mAP达92.6%、F1为89.2，模型仅3.89MB、单帧3.1ms，精度与效率兼顾。
机会点
可探索轻量检测模型在茶叶分选产线的嵌入式部署与多品类叶簇泛化能力。
影响力16
信息增量21
专业深度17
信源权威13
时效性9
提出轻量化改进YOLOv8n模型用于鲜茶叶粘连叶簇检测，指标与推理速度均有实测数据，方法新颖且面向产业分选场景，具备精选价值。
原文摘要
基于RGB成像的高精度粘连叶簇（adhered leaf clusters，ALCs）检测一直是新鲜绿茶鲜叶采后分选中的关键难题。为解决该问题，本研究通过融合StarNet主干网络、DySample上采样方法和Shape-Inner-IoU损失函数，设计了一种增强型YOLOv8n模型，命名为SDSI-YOLO，以提升ALCs检测性能。实验结果表明，SDSI-YOLO在精度与效率之间实现了最优平衡，平均精度均值达到92.6%，F1分数为89.2。同时，该模型保持了轻量化特性，模型大小仅为3.89 MB，推理速度高达每帧3.1 ms。消融实验验证了各模块在构建SDSI-YOLO中的有效性。可视化测试结果表明，该模型在捕捉ALCs关键细节和结构特征方面表现出更强的能力。本研究为新鲜绿茶鲜叶的工业化分选提供了一种可行方案，具有相当大的应用潜力。