【研究背景】
在中國這個全球最大的柑橘生產國，2023年柑橘產量高達6433.76萬噸，其中Orah果實因其獨特風味成為南方重要經濟作物。然而傳統采摘作業50%-70%工作量集中在收獲環節，完全依賴人工。雖然學者們嘗試用LBP特征+SVM等傳統機器視覺方法（如Zhuang等2018年86%識別率），但存在光照敏感、遮擋處理能力弱等缺陷。近年來YOLO系列模型在農業檢測中展現優勢，但如何在保持精度的前提下實現邊緣設備部署仍是關鍵挑戰。

【研究方法】
廣西某研究團隊通過iPhone 12 Pro Max和華為Honor 10采集844張Orah果實圖像，經翻轉、旋轉等數據增強至3376張，按7:1.5:1.5劃分數據集�；�于YOLOv8n模型進行五項改進：（1）用ADown模塊替換部分卷積層減少87.1%模型體積；（2）設計C3_DualConv雙卷積瓶頸增強遮擋特征提��；（3）引入含P2層的BiFPN結構優化多尺度特征融合；（4）在P3-P5特征層添加CA（Coordinate Attention）坐標注意力機制；（5）采用Focaler-MPDIoU聯合損失函數提升密集遮擋檢測。最終模型通過TensorRT Python API部署至Nvidia Jetson Orin Nano邊緣設備。

【研究結果】

1. 模型性能驗證
   改進后模型參數量降至1.9M（減少36.88%），FLOPs 5.7G（降29.63%），在保持4.1MB體積下實現97.7%精度（P）、95.7%召回率（R）和98.8% AP@0.5。熱圖分析顯示C3_DualConv使注意力更聚焦果實核心區域（圖12），CA機制顯著增強邊緣特征識別（圖14）。

2. 對比實驗
   相較于YOLOv8n基線模型，改進模型P提升1.4%，F1提高0.14%。在邊緣設備部署后，經TensorRT優化使推理速度提升58.11%至35.57fps（表6），實時檢測中未出現精度損失（圖21）。

3. 實際應用驗證
   使用RealSense D455工業相機采集的測試集顯示平均97.4% P和98.76% AP@0.5（表7），在背光、枝葉遮擋等復雜場景下保持穩定性能（圖22）。

【結論意義】
該研究通過模塊化輕量化設計，在YOLOv8n中實現精度與效率的平衡。特別地：
? ADown模塊通過最大池化與卷積雙路徑（公式1-4）實現高效下采樣
? C3_DualConv中3×3與1×1卷積組合（圖7）提升局部特征提取
? BiFPN加入P2高分辨率層（圖8B）增強多尺度融合
? CA機制通過坐標嵌入（圖9）擴大感受野
? Focaler-MPDIoU（公式9）優化困難樣本處理

雖然模型在極端遮擋下召回率略有下降，但4.1MB體積和30fps性能使其成為目前邊緣設備部署的最佳選擇。該成果為果園自動化采摘提供了可直接落地的技術方案，相關代碼已開源。未來研究可進一步優化小目標檢測能力，并探索與其他傳感器數據的融合應用。