基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法

针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象，使用YOLO网络存在检测精度低、漏检现象严重等问题，提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数，有效解决因为果实重叠导致的漏检问题；其次调整网络，向其中加入小目标检测层，使网络能够关注小目标油茶以及被树叶遮挡的油茶；最后使用SCConv作为特征提取网络，既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%，比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点，其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到 95.9%、95%、98.5%，分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度，减小油茶的漏检。此外，模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想，将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入，实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性，且模型简单可以嵌入到边缘设备中，不仅可用于指导自动化采收，还可用于果园产量估计，为果园物流分配提供可靠借鉴。

Camellia oleifera Fruit Static and Dynamic Detection Counting Based on Improved COF-YOLO v8n