阅读文章全文：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202410103
《农业工程学报》2025年第41卷第5期刊载了山西农业大学等单位任锐、孙海霞、张淑娟、杨盛与景建平的论文——“基于改进YOLOv8n的不同栽培模式下玉露香梨轻量化检测”。该研究由山西省科技成果转化引导专项（项目号：202204021301037）等资助。
引文信息：任锐，孙海霞，张淑娟，等. 基于改进YOLOv8n的不同栽培模式下玉露香梨轻量化检测[J]. 农业工程学报，2025，41(5)：145-155.
DOI: 10.11975/j.issn.1002-6819.202410103
为了提高不同栽培模式下玉露香梨果实智能检测准确率，针对果实定位精度差、漏检和误检等问题，该研究基于YOLOv8n提出了一种轻量化检测方法YOLO-iBPD。首先，将主干网络中的C2f模块替换为高效的C2fi模块，以增强模型的特征提取能力和表达能力。其次，在颈部网络中引入优化后的双向特征金字塔网络（bi-directional feature pyramid network，BiFPN），以提高对不同尺度目标的检测能力。然后，更改边界框损失函数为PIoUv2，以增强对果实信息的聚焦能力。最后，通过知识蒸馏进一步提高模型的泛化能力和精度。
试验结果表明，YOLO-iBPD模型尺寸为3.34 MB，推理时间达1.4 ms，平均精度（average precision，AP）为93.32%，定位误差（localization error，Loc）、背景误差（background error，Bkg）和漏检（missed ground truth error，Miss）的值分别为1.22、2.78和1.04，改进后的模型尺寸缩小为YOLOv8n的56.04%，AP提升了1.07个百分点，Loc、Bkg和Miss分别降低了0.32、0.52和0.17。相较于YOLOv3-Tiny、YOLOv4-Tiny、YOLOv5n、YOLOv7-Tiny、YOLOv9s、YOLOv10s和YOLOv11n主流轻量化模型，YOLO-iBPD性能最优。该模型在轻量化的基础上提高了玉露香梨果实的检测精度，在不同栽培模式和光照条件下均展现出良好的稳定性和鲁棒性，为采摘机器人实现精准定位和高效采摘提供理论依据。