农业工程学报

作者：朱惠斌,汤其林,白丽珍,李仕,王明鹏,董金燕,李垚,

关键词：玫瑰花, 多尺度特征融合, 动态蛇形卷积, YOLOv8n, Adamax

基金：42

为应对玫瑰采摘劳动强度大、采花农户老龄化和人工成本上升等挑战，针对玫瑰花采摘过程中检测识别准确性不足的问题，提出一种基于YOLOv8n模型的玫瑰花花期检测模型（YOLOv8n-dy），实现对花苞期、盛花期和败花期的精确判别。在主干网络中优化C2f模块，构建高效的多分支特征提取卷积结构，提高模型对多尺度、多形态花期目标的识别能力；引入ELA高效注意力机制（efficient lightweight attention），增添小目标检测层并将损失函数替换为WIOUv3损失函数（weighted intersection over union version 3）强化深层网络对花苞期玫瑰花等小尺寸目标的定位检测能力；采用Adamax优化器（adaptive maximum optimization）解决模型陷入局部最优解问题。试验结果表明，YOLOv8n-dy模型的准确率、召回率和在50%阈值下（IoU=50%）平均精度均值mAPsub>0.5/sub>分别达到79.2%、71.3%和77.3%，较原始YOLOv8n模型分别提升4.4个百分点、6.7个百分点和6.1个百分点。同检测精度最高的YOLOv9比较，YOLOv8n-dy模型计算复杂度仅为9.8 GFLOPs，同时保持了与YOLOv9相当的50%交并比阈值下平均精度均值77.3%，该模型的大小仅为YOLOv9模型的4.22%，显著提高模型部署的应用性能。该研究提出的YOLOv8n-dy模型在复杂田间环境下表现出优异性能，能高效准确地识别玫瑰花的花苞期（bud）、盛花期（flower）和败花期（withered），同时实现检测精度和计算效率的良好平衡，为玫瑰花采摘提供可靠的技术支持。/

来源：2026年第4期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第4期