YOLOv8改进模型在大豆花朵与豆荚检测中的应用

1. 项目背景与核心挑战

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，其花朵和豆荚的发育情况直接影响最终产量。传统人工巡检方式存在效率低、主观性强等问题，而基于计算机视觉的自动识别技术能够实现全天候、高精度的监测。

这个项目要解决的核心问题是：如何在复杂田间环境下实现大豆花朵和豆荚的高精度识别。主要面临三个技术挑战：

• 目标尺寸差异大（花朵直径约5-8mm，豆荚长度可达5cm）
• 遮挡严重（叶片重叠率常超过60%）
• 光照条件多变（自然光下阴影、反光等干扰）

2. 模型架构设计解析

2.1 基准模型选择

选用YOLOv8n作为基础架构，主要考虑：

1. 实时性要求（田间设备算力有限）
2. 对小目标检测的天然优势
3. 成熟的社区支持便于二次开发

2.2 关键改进点

2.2.1 C2PSA注意力模块

在Backbone末端引入改进的坐标注意力机制：

python复制class C2PSA(nn.Module):
    def __init__(self, c1, c2):
        super().__init__()
        self.pool_h = nn.AdaptiveAvgPool2d((None, 1))
        self.pool_w = nn.AdaptiveAvgPool2d((1, None))
        self.conv1 = nn.Conv2d(c1, c1//8, 1)
        self.conv2 = nn.Conv2d(c1//8, c1, 1)
        
    def forward(self, x):
        _, _, h, w = x.size()
        # 水平方向注意力
        x_h = self.pool_h(x)
        x_h = self.conv1(x_h)
        x_h = torch.sigmoid(self.conv2(x_h))
        # 垂直方向注意力
        x_w = self.pool_w(x)
        x_w = self.conv1(x_w)
        x_w = torc