南昌大学杨大勇副教授等：基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题，该研究对YOLOv8n模型进行优化。首先，在主干网络中引入动态蛇形卷积（dynamic snake convolution，DSConv），增强模型对茶叶嫩梢形状信息的捕捉能力；其次，将颈部的路径聚合网络（path aggregation network，PANet）替换为加权双向特征金字塔网络（bi-directional feature pyramid network，BiFPN），强化模型的特征融合效能；最后，在颈部网络的每个C2F模块后增设了无参注意力模块（simple attention module，SimAM），提升模型对茶叶嫩梢的识别关注度。

试验结果表明，改进后的模型比原始模型的精确率（precision，P）、召回率（recall，R）、平均精确率均值（mean average precision，mAP）、F1得分（F1 score，F1）分别提升了4.2、2.9、3.7和3.3个百分点，推理速度为42 帧/s，模型大小为6.7 MB，满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比，该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点，召回率分别高出53.0、3.6、2.8和2.9个百分点，平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点，F1得分分别高出了56.8、3.9、3.7和3.3个百分点，在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率，能够为名优茶的智能采摘提供算法参考。