摘要:为快速精准检测自然场景下的苹果外观品质，该研究提出了一种基于改进YOLOv8n的苹果外观品质检测模型ZAL-YOLOv8n。首先，使用融合了部分卷积（partial convolution, PConv）与高效多尺度注意力机制（efficient multi-scale attention, EMA）的EP-C2f模块替换骨干网络中的C2f模块，提升模型对复杂遮挡情况下苹果目标的特征提取能力。其次，为改善患病苹果表皮病斑区域定位不准的问题，引入基于最小点距离的损失函数（multiple path distance intersection over union, MPDIoU）作为边界回归损失函数来加速预测框与真实框之间的位置拟合，提高模型对病害识别能力。最后，使用Slim-neck架构重建YOLOv8n的特征融合网络，实现颈部网络轻量化，提高模型运行速度。结果表明，与原模型相比， 改进后的YOLOv8n模型的准确率、召回率和平均精度均值分别提高了3.4、1.1、1.3个百分点，同时，浮点运算量、参数量和模型大小分别缩减了22.2%、17.7%、15.9%。该模型在提高检测精度的同时实现了一定程度的轻量化，可为苹果智能采摘机器人的研发提供技术支撑。关键词: 苹果 / YOLOv8n / 目标检测 / Slim-neck / 高效多尺度注意力机制 / 损失函数
