基于改进YOLOv8-CEFC模型的苦瓜果形与瘤状特征高通量智能识别研究

《Scientific Reports》：Intelligent high-throughput recognition model for bitter gourd fruit morphology and tubercle characteristics

为解决苦瓜育种中表型特征人工识别效率低、主观性强的问题，研究人员开展了基于改进YOLOv8-CEFC模型的苦瓜果形与瘤状特征高通量智能识别研究。该研究通过集成ConvNeXt V2模块、EMA注意力机制和Focal-CIoU损失函数，实现了对12类苦瓜表型特征的精准检测，精确度达93.9%，召回率达94.4%。该模型为作物育种智能化提供了高效解决方案，显著提升了苦瓜育种效率。

　　

在苦瓜育种领域，果实形状和表面瘤状特征的精准识别一直是制约育种效率提升的关键瓶颈。传统人工鉴定方法不仅效率低下，且极易受主观经验影响，导致表型数据分析存在较大误差。随着育种规模不断扩大，这种低效、主观的鉴定方式已难以满足现代精准育种的需求。

为解决这一难题，福建农业大学园艺学院的研究团队在《Scientific Reports》上发表了创新性研究成果。该研究成功开发出基于改进YOLOv8架构的苦瓜表型智能识别模型YOLOv8-CEFC，实现了对苦瓜果形和瘤状特征的高通量、自动化检测。

研究团队首先构建了包含12个类别的苦瓜表型数据集，涵盖圆锥形、卵圆形、纺锤形和棒状四种基本果形，以及颗粒状瘤突、条状瘤突及其混合类型的复杂特征。针对田间环境的复杂性，研究特别考虑了枝叶遮挡、果实重叠、运动模糊和光照变化等实际挑战，确保了模型的实用性和鲁棒性。

在技术方法上，研究团队进行了三项关键改进：在骨干网络中引入ConvNeXt V2模块，结合全卷积掩码自编码器(FCMAE)框架和全局响应归一化(GRN)层增强特征提取能力；在空间金字塔池化(SPPF)层前嵌入EMA注意力机制，通过并行双分支结构同时捕获局部瘤状纹理和全局果形轮廓；采用Focal-CIoU损失函数替代原CIoU损失，通过动态焦点加权机制缓解样本不平衡问题。

研究结果显示，YOLOv8-CEFC模型在精确度(93.9%)、召回率(94.4%)、mAP₅₀(96.3%)和mAP_50-95(93.6%)等关键指标上均显著优于原YOLOv8n模型。通过混淆矩阵分析发现，改进模型对复杂瘤状特征(如YWLRM、FWMRL、BWLRM)的识别准确率提升显著，其中BWMRL类别的识别准确率从76%提高到82%。

统计验证采用bootstrap方法，30次重采样结果显示YOLOv8-CEFC在mAP₅₀和mAP_50-95上的性能增益均具有统计学意义。消融实验进一步证实了各改进模块的有效性：单独使用ConvNeXt V2模块使mAP_50-95提升3.5%；EMA注意力机制与Focal-CIoU损失的组合有效降低了漏检率。

与主流YOLO模型的对比实验表明，YOLOv8-CEFC在保持较高推理速度(235.76 FPS)的同时，实现了最佳的综合检测性能。该模型在复杂背景下表现出更强的鲁棒性，能有效区分叶片干扰与目标特征，显著降低误检率。

研究的创新价值在于首次将先进的计算机视觉技术系统应用于苦瓜表型分析，实现了从经验判断到量化检测的转变。模型的高精度和高效率为苦瓜种质资源鉴定、亲本选配提供了可靠的技术支撑，将传统育种周期从"季节级"缩短至"毫秒级"。

尽管当前模型在极端环境适应性和计算效率方面仍有优化空间，但这项研究为作物表型智能检测开辟了新途径。未来通过知识蒸馏等模型压缩技术，有望在低功耗设备上实现部署，进一步推动智慧农业发展。该研究成果不仅适用于苦瓜育种，其技术框架还可扩展至其他作物表型分析领域，具有重要的理论价值和推广应用前景。