基于YOLOv8n-CFS的香菇成熟度智能检测模型研究及其在食用菌智能化生产中的应用

《Horticulturae》：Correction: Hassan et al. Effective Priming Techniques to Enhance Ghaf (Prosopis cineraria L. Druce) Seed Germination for Mass Planting. Horticulturae 2023, 9, 542

本文提出一种改进的轻量级目标检测模型YOLOv8n-CFS，通过集成SegNeXt注意力机制、特征扩散传播网络（FDPN）、跨阶段全连接网络（CSFCN）和通道级蒸馏（CWD）技术，显著提升了香菇（Lentinula edodes）成熟度检测的精度与效率。实验结果表明，该模型在mAP@0.5和mAP@0.5:0.95指标上分别达到97.34%和84.50%，优于YOLOv5n、YOLOv7-tiny、YOLOv8n等多种主流模型，为食用菌智能化采收提供了高效可靠的技术支持。

　　

香菇成熟度智能检测技术研究

摘要

香菇（Lentinula edodes）作为中国食用菌产业的重要品种，其成熟度直接影响品质与采收时效。传统人工判断方法存在效率低、一致性差等问题。本研究基于YOLOv8n架构，提出一种改进的轻量级目标检测模型YOLOv8n-CFS，通过集成多种注意力与特征优化模块，实现了香菇成熟度的高精度实时检测。

材料与方法

数据集采集自吉林长春国家现代农业科技示范基地（2024年7月至2025年7月），使用iPhone 13 Pro Max手机拍摄，共包含8663张图像（训练集6930张、测试集866张、验证集867张）。香菇成熟度分为未成熟、成熟和过熟三类，标注采用LabelImg软件完成。

模型改进包括：

1. 1.
   在骨干网络引入SegNeXt注意力模块，通过多尺度深度卷积（DWConv）和通道权重优化增强关键特征提取能力；
2. 2.
   设计特征扩散传播网络（FDPN），通过跨层特征融合提升多尺度目标检测性能；
3. 3.
   构建跨阶段全连接网络（CSFCN），结合上下文特征校准（CFC）和空间特征校准（SFC）模块强化全局语义感知；
4. 4.
   采用通道级蒸馏（CWD）方法，通过KL散度损失函数实现教师模型（YOLOv8l）向学生模型（YOLOv8n-CFS）的知识迁移。

实验环境为PyTorch 2.1框架，使用NVIDIA RTX 8000 GPU进行训练，评估指标包括精确率（P）、召回率（R）、平均精度（AP）和平均精度均值（mAP）。

结果与分析

1. 1.
   模型性能对比：YOLOv8n-CFS在mAP@0.5和mAP@0.5:0.95上分别达到97.34%和84.50%，较基线模型YOLOv8n提升2.02%和4.92%，参数量仅增加至3.2M，推理速度达156 FPS。
2. 2.
   注意力机制对比：SegNeXt注意力在P、R、mAP等指标上均优于DAttention、SimAM和BilevelRoutingAttention等模块。
3. 3.
   消融实验表明，各改进模块均对性能提升有贡献，其中FDPN对小目标检测效果显著，CSFCN有效降低复杂背景干扰。
4. 4.
   五折交叉验证显示模型稳定性良好，各类别AP值标准差低于0.5%。
5. 5.
   热力图与混淆矩阵分析证实，改进模型能更精准聚焦香菇关键区域，减少类别误判。

讨论

YOLOv8n-CFS模型在轻量化的同时兼顾检测精度，适用于嵌入式设备部署。但当前数据集仅覆盖特定栽培环境，未来需通过跨域自适应策略提升模型泛化能力。该技术为食用菌智能化采收装备开发提供了核心算法支持。

结论

本研究提出的YOLOv8n-CFS模型通过多模块协同优化，实现了香菇成熟度的高效精准检测，为食用菌产业智能化升级提供了可行的技术方案。