TB-YOLOv8n: an improved YOLOv8n-based model for tip-burn detection in plant factory-grown pakchoi under LED lighting
Peng Wang · Wenwen Hu · Xiang Ma 等 6 人
提出轻量模型TB-YOLOv8n，在植物工厂LED光下检测小白菜干烧心。
构建植物工厂小白菜干烧心图像数据集，改进YOLOv8n加入AFGCAttenti
[email protected]达93.2%，较YOLOv8n提升3.4个百分点，仅2.2M参数、138FPS。
可延伸至多作物苗期胁迫早期检测，结合时序图像与决策模型实现预警。
面向植物工厂小白菜干烧心的轻量化检测模型，方法新颖、指标扎实且可实时部署，对设施蔬菜智能监测有实用参考价值。
引言 植物工厂栽培的小白菜在高密度种植、气流受限和快速生长条件下易发生焦边，导致叶片完整性和商品品质下降。基于图像的检测方法在识别微小或轻微可见的焦边症状时仍面临挑战，因为受害区域通常面积小、形状不规则、颜色对比度低，且易受红蓝LED光照、叶片重叠、叶缘卷曲和心叶遮挡的干扰。方法 为解决上述问题，本研究构建了植物工厂条件下的小白菜焦边图像数据集，并提出了TB-YOLOv8n，一种基于YOLOv8n的轻量化检测模型。在主干网络末端引入AFGCAttention，以增强与细微焦边区域相关的信息性通道响应并抑制冗余背景信息。在主干网络与颈部网络之间嵌入GLSA，以在叶片重叠和低对比度症状条件下整合局部纹理细节与全局空间上下文。此外，构建了P2增强的BiFPN颈部网络，以加强跨尺度特征融合并保留小面积可见焦边区域的精细空间信息。结果 实验结果表明，TB-YOLOv8n的精确率为89.4%，召回率为87.6%，[email protected]为93.2% ± 0.3%，[email protected]–0.95为59.0% ± 0.3%，分别比原始YOLOv8n提高了4.2、3.9、3.4和10.0个百分点。该模型仅含2.2 M参数，需要7.6 G FLOPs，模型大小为4.8 MB，在RTX 4090上的模型前向推理速度为138 FPS，在Jetson AGX Orin上为33.0 FPS。消融实验、热力图可视化以及与主流检测模型的比较进一步证实了所提改进的有效性。讨论 结果表明，TB-YOLOv8n在检测精度、轻量化结构和实时推理能力之间取得了良好平衡。所提模型为植物工厂中可见焦边监测及后续生产决策支持提供了依据。