近日，我校机电工程学院教师吴利刚团队在黄花智能检测研究上取得一系列重要进展，相关研究成果分别以“基于YOLOv8-ABW的黄花成熟度检测方法”和“基于轻量化高效层聚合网络的黄花成熟度检测方法”为题，在国内农业工程学科领域顶级期刊《农业工程学报》（卓越期刊，EI收录）和《农业机械学报》（EI收录，RCCSE中文核心学术期刊自然科学相关工程与技术类期刊排名第一）上发表，文章以山西大同大学为完成单位，机电工程学院吴利刚副教授为第一作者，资源与环境在读硕士研究生陈乐为论文第二作者。该研究得到国家自然科学基金项目（12375050）、山西省基础研究计划项目（202303021211330）、大同市科技计划项目（2023015,2023006）、山西大同大学基础科研基金项目（2022K1）的资助。

　　论文“基于YOLOv8-ABW的黄花成熟度检测方法”的主要内容是为实现黄花成熟度的快速、高精度识别，针对其相似特征识别精确度低以及相互遮挡检测困难的问题，提出的一种黄花成熟度检测方法。该研究在特征提取网络中加入结合注意力机制的尺度特征交互机制（attention based intra-scale feature interaction,AIFI），更好地提取黄花特征信息，提高检测的精确度。在特征融合网络中，进一步采用加权的双向特征金字塔特征融合网络（bidirectional feature pyramid network, BiFPN），实现更高层次的跨通道特征融合，有效减少通道中的特征冗余。此外使用WIoUv3作为损失函数，聚焦普通质量的锚框，提高模型的定位性能。研究结果表明：YOLOv8-ABW模型检测精确度为82.32%，召回率为83.71%，平均精度均值mAP@0.5和mAP@0.5:0.95分别为88.44%和74.84%，调和均值提升至0.86，实时检测速度为214.5帧/s。与YOLOv8相比，YOLOv8-ABW的精确度提高1.41个百分点，召回率提高0.75个百分点，mAP@0.5和mAP@0.5:0.95分别提升1.54个百分点和1.42个百分点。对比RT-DETR、YOLOv3、YOLOv5、YOLOv7模型，YOLOv8-ABW参数量最少，仅为3.65×106，且模型浮点运算量比YOLOv7少96.3G。该研究体现出YOLOv8-ABW模型能够在黄花成熟度检测中平衡检测精确度和检测速度，综合性能最佳，为黄花智能化实时采摘研究提供技术支持。（文章链接：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202401074）

黄花智能检测模型

　　论文“基于轻量化高效层聚合网络的黄花成熟度检测方法”主要内容是针对黄花传统人工识别效率低，辨识标准不统一的问题，提出基于轻量化和高效层聚合过渡网络的黄花成熟度识别方法LSEB YOLOv7。首先，引入轻量化卷积对高效层聚合网络和过渡模块进行轻量化处理，减少模型计算量。其次，在特征提取与特征融合网络之间增加通道注意力机制，提升模型检测性能。最后，在特征融合网络中，优化通道信息融合方式，使用双向特征金字塔网络替换Concatenate，增加信息融合通道，持续提升模型性能。研究结果表明：与原始模型相比，在黄花成熟度检测中，改进后的LSEB YOLOv7模型参数量和浮点运算量分别减少约2.0×106和7.7×109。训练时长由8.025h降低至7.746h，模型体积压缩约4MB。同时，训练精确率和召回率分别提升约0.64个百分点和0.14个百分点，mAP@0.5和mAP@0.5：0.95分别提升约1.84个百分点和1.02个百分点。此外，调和均值性能保持不变，均为84.00%。LSEB YOLOv7算法可均衡模型复杂性与性能，为黄花成熟度检测和智能化采摘设备提供技术支持。（文章链接：http://www.j-csam.org/jcsam/article/abstract/20240226?st=search）

　　我校高度重视高水平论文的发表工作，科学技术部积极鼓励和支持教师与科研团队在国内外顶级学术期刊上发表高质量的研究成果，并提供各种资源和平台，推动科研水平的提升，以进一步增强学校的学术影响力和科研竞争力。（来源：科学技术部  责编：赵鑫）