近日，茶叶所在“Computers and Electronics in Agriculture” (中科院一区，IF=9.3) 上发表题为“MWG-YOLO: Multi-Path weighted guided YOLOv8 lightweight model for rose detection in field”的研究论文，提出一种面向非结构化种植环境的多路径加权引导轻量级模型，实现对田间玫瑰成熟度/开放度的高效精准识别，为智能化采摘作业提供了技术支撑。

田间玫瑰的智能采摘面临诸多现实挑战：花朵间存在显著的尺度差异，且常伴有重叠和遮挡现象。这不仅加大了精准检测的难度，也导致传统算法难以同时保证识别的准确率与实时性。在实际的玫瑰采摘场景中，玫瑰花朵存在明显的尺度差异、花簇重叠及遮挡现象，影响田间玫瑰检测模型精度和时效性。为此本研究提出了一种基于多路径加权引导的YOLOv8轻量级玫瑰花检测模型（MWG-YOLO）。

MWG-YOL模型核心创新：多路径加权引导特征金字塔（MWG-FPN）：替代传统Concat拼接层，通过多层次特征融合，有效提升对复杂形态玫瑰的特征表达能力。多路径加权坐标注意力机制（MWCA）：作为特征提取模块，提升模型对目标细节的捕捉能力；稀疏正则化模型剪枝：剔除冗余通道，显著降低模型复杂度与体积；通道蒸馏策略（CWD）：在剪枝后恢复模型精度，保持推理速度与模型尺寸的平衡；贝叶斯优化超参数调优：进一步提升蒸馏效果，挖掘模型潜力。

实验测试表明，MWG-YOLO模型的mAP、F1达92.3%与87%，模型参数量及浮点运算量仅为8.86M与13.3，检测速度在低算力的边缘计算平台Jetson上仍达44.2FPS，展现出良好的实时性与部署能力。本研究攻克了非结构化种植园内玫瑰花精准识别与部署难题，为玫瑰智能采摘装备研发提供了理论基础。

茶叶所董春旺研究员、陈之威博士为通讯作者，联培研究生彭伟杰为第一作者。研究得到济南农业科技重点项目（GG202415）、院创新工程重大项目（CXGC2025A02）和山东省现代农业工业技术体系（SDAIT19）的资助。

文章链接：https://doi.org/10.1016/j.compag.2025.111384

（撰写：陈之威 核稿：董春旺）