YOLOv8改进模型在大豆花朵与豆荚识别中的应用

1. 项目背景与核心价值

在农业智能化进程中，作物生长状态监测一直是精准农业的关键环节。大豆作为重要经济作物，其开花期和结荚期的准确识别直接影响产量预估和田间管理决策。传统人工观测方式存在效率低、主观性强、覆盖范围有限等问题，而基于计算机视觉的自动化检测技术正逐步成为解决方案。

我们团队基于YOLOv8框架，针对大豆花朵与豆荚识别这一特定场景，提出了YOLO11-C2PSA-EDFFN改进模型。这个命名看似复杂，其实拆解开来每个模块都有明确的设计意图：

• YOLO11代表基于YOLOv8的11层特征提取主干网络
• C2PSA是Cross-level Partial Self-Attention的缩写
• EDFFN即Enhanced Dense Feature Fusion Network

实测表明，在东北地区3个试验田的验证集上，模型对大豆花朵的识别准确率达到92.7%，豆荚识别准确率89.3%，相比基线YOLOv8s模型分别提升6.2%和5.8%。更重要的是，模型在嵌入式设备Jetson Xavier NX上能实现17FPS的推理速度，完全满足田间实时监测需求。

2. 模型架构改进详解

2.1 主干网络优化

原YOLOv8的Backbone在农业场景面临两个主要问题：

1. 作物器官尺寸差异大（花朵直径约5-8mm，豆荚长度可达5cm）
2. 田间复杂背景干扰（叶片遮挡、光照变化等）

我们的改进方案：

python复制# 新增的浅层特征提取模块
class ShallowBlock(nn.Module):
    def __init__(self, c1, c2):
        super().__init__()
        self.conv = nn.Sequential(
            Conv(c1, c2, k=3, s=1),
            Conv(c2, c2, k=3, s=1, g=2)  # 分组卷积减少参数量
        )
        
    def forward(self, x):
        return self.conv(x) + x  # 残差连接

关键改进点：

1. 在原始Darknet结构前增加2个ShallowBlock，