摘要：常戬, 王冰冰, 尹龙, 李燕青, 李兆歆, 李壮. 基于YOLOv10n-CHL的蜜蜂授粉轻量化识别模型[J]. 智慧农业(中英文), 2025, 7(3): 185-198.
引用格式：
常戬, 王冰冰, 尹龙, 李燕青, 李兆歆, 李壮. 基于YOLOv10n-CHL的蜜蜂授粉轻量化识别模型[J]. 智慧农业(中英文), 2025, 7(3): 185-198.
DOI： 10.12133/j.smartag.SA202503033
Citation:CHANG Jian, WANG Bingbing, YIN Long, LI Yanqing, LI Zhaoxin, LI Zhuang. The Lightweight Bee Pollination Recognition Model Based On YOLOv10n-CHL[J]. Smart Agriculture, 2025, 7(3): 185-198.
基于YOLOv10n-CHL的蜜蜂授粉轻量化识别模型
常戬1， 王冰冰1， 尹龙1， 李燕青2， 李兆歆3*， 李壮2*
（1.辽宁工程技术大学，辽宁兴城 125100，中国； 2.中国农业科学院果树研究所，辽宁兴城 125100，中国； 3.中国农业科学院农业信息研究所，北京 100081，中国）
摘要：
［目的/意义］蜜蜂授粉识别实验有助于评估蜂群的授粉效率，检测花朵是否授粉，为后期的疏花疏果提供科学依据，优化蜂群管理和农业生产。为应对蜜蜂授粉检测中目标小、背景复杂等挑战，本研究提出了一种基于YOLOv10n-CHL的轻量化蜜蜂授粉识别模型。
［方法］本实验创建了草莓花、蓝莓花和菊花三种不同花朵的蜜蜂授粉数据集，并通过以下改进提升模型性能。首先，主干网络中用跨阶段多尺度边缘信息增强模块（Cross Stage Partial Network_Multi-Scale Edge Information Enhance, CSP_MSEE）模块替换C2f，融合跨阶段局部网络（Cross Stage Partial Network, CSPNet）跨阶段连接与多尺度边缘增强策略，强化特征提取能力；颈部模块引入多级特征融合金字塔（Hierarchical Skip Feature Pyramid Network, HS-FPN），通过特征选择与融合策略，提升复杂背景下小目标检测精度并优化计算效率；在头部采用轻量化检测头（Lightweight Shared Detail-Enhanced Convolutional Detection Head, LSDECD）替代原始检测头，增强细节捕捉能力的同时减少参数量，使模型更易于部署和应用于边缘设备。
［结果和讨论］在三个不同数据集上的测试结果表明，与原YOLOv10n模型相比，改进后的模型在计算量和参数量上分别降低了3.1 GFLOPS和1.3 M，其计算量达到5.1 GFLOPS，参数量达到1.3 M。同时，草莓花、蓝莓花、菊花蜜蜂授粉数据集的召回率和mAP50（Mean Average Precision at IoU Threshold of 50%）分别达到了82.6%、84%、84.8%和89.3%、89.5%、88%，较原模型分别提升了2.1%、2.0%、2.1%和1.7%、2.6%、2.2%。
［结论］这一改进显著增强了模型在蜜蜂授粉数据集上的检测精度，同时通过轻量化设计有效减轻了计算负担，提升了部署的可行性。这为蜜蜂授粉识别技术的实际应用奠定了坚实的技术基础。
关键词：蜜蜂授粉识别；YOLOv10n；小目标检测；轻量化；特征提取
文章图片
图1 蜜蜂授粉样本采集环境
Fig. 1 Bee pollination sample collection environment
图2 蜜蜂授粉数据集图像扩充
Fig. 2 Image augmentation of the honey bee pollination dataset
图3 YOLOv10-CHL模型结构
Fig. 3 YOLOv10-CHL model structure
图4 Mutil-Scale Edge Information Enhance模块
Fig. 4 Mutil-Scale Edge Information Enhance module
图5 EdgeEnhancer模块
Fig. 5 EdgeEnhancer module
图6 HS-FPN 结构
Fig. 6 HS-FPN module
图7 SFF结构图
Fig. 7 SFF structure
图8 LSCD和LSDECD结构图
Fig. 8 LSCD and LSDECD structure
图9 不同改进模块在不同花蜜蜂授粉数据集上的性能雷达图
Fig. 9 Performance radar chart of different improvement modules on the different flower bee data
图10 不同数据在不同改进模块中mAP50结果可视化
Fig. 10 Visualization of mAP50 results for different data in different improvement modules
图11 模型优化前后对飞行状态与授粉状态蜜蜂的检测性能对比研究
Fig. 11 Detection performance comparison of flying vs. pollinating bees before and after model optimization
图12 不同目标尺寸下蜜蜂授粉检测模型改进前后的可视化对比结果
Fig. 12 Visual comparison results of bee pollination detection models before and after improvement under different target sizes
图13 面向蜜蜂与花朵目标的不同像素级数据集在模型改进前后的热力图分析结果
Fig. 13 Heatmap analysis of model performance before and after improvement on datasets with different object pixel sizes for bee and flower targets
通信作者介绍
李壮 研究员
李壮，中国农业科学院果树研究所研究员，硕士生导师，从事果树栽培生理及智慧果园关键技术研究。主持国家863计划子课题、国家重点研发计划课题、中国农科院科学中心重点任务、农业部948等6项，参与公益性农业行业专项、国家现代苹果产业技术体系等国家、中国农科院创新工程等项目3项，参编著作10部，发表论文50余篇，制定标准2项，获得专利13项，获得全国农牧渔业丰收奖二等奖2项、中国农业科学院科技进步2等奖2项，中国仿真学会科技进步类一等奖1项。
李兆歆 副研究员
李兆歆，中国农业科学院农业信息研究所副研究员，于 2016 年在哈尔滨工业大学获得计算机应用技术博士学位。2016 年 7 月至 2023 年 4 月，中科院计算技术研究所担任助理研究员。2018 年 9 月至 2019 年 3 月，香港理工大学计算机系的博士后研究员。研究方向包括三维计算机视觉和三维数据处理等。
转载请联系编辑部授权
本期支持单位
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。 入群方法： 加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
来源：智慧农业资讯一点号
