近日，茶叶所在《Computers and Electronics in Agriculture》（中科院一区Top，IF=10.3）上发表题为“MWG-YOLO: Multi-Path weighted guided YOLOv8 lightweight model for rose detection in field”的研究论文。针对田间玫瑰花尺度差异大、花朵遮挡以及移动设备算力有限等难题，提出轻量化玫瑰成熟度检测模型MWG-YOLO，实现复杂田间环境下不同开放度玫瑰花的智能精准识别，为玫瑰智能采摘技术提供了理论支撑。

平阴玫瑰作为中国传统玫瑰的代表，具有大瓣厚色艳，香味浓郁，品质优异等特点。玫瑰鲜花多加工花蕾茶，对采摘成熟度、外观完整度要求较高。当前主要依赖人工，劳动强度大、成本高，且田间小目标多、花簇重叠、枝叶遮挡等情况突出，复杂检测模型难以直接部署到边缘设备。因此，兼顾识别精度、检测速度与模型轻量化，是实现智能采摘的关键。

研究构建了覆盖不同时间、光照、距离和遮挡条件的平阴丰花1号玫瑰图像数据集。在YOLOv8m基础上，提出多路径加权引导特征金字塔（MWG-FPN）与坐标注意力机制（MWCA），增强多层级特征融合与细节表达能力；通过通道剪枝、知识蒸馏和贝叶斯优化实现模型高精度轻量化。

实验结果显示，MWG-YOLO的mAP50达到92.3%，较原始YOLOv8m提高4.4个百分点，F1值达87%。模型参数量由25.84 M降至8.86 M，计算量由78.7 G FLOPs降至13.3 G FLOPs，检测速度达141.9 FPS。在陌生数据集上mAP50和F1值分别为80.8%和76.6%，泛化能力良好；部署至Jetson边缘设备后推理速度达44.2 FPS，满足田间实时检测需求。该研究为复杂自然环境下花卉成熟度识别模型的精度提升、轻量化压缩及工程部署提供了有效路径。

茶叶所和浙江理工大学共同完成该研究，联培研究生彭伟杰为第一作者，茶叶所董春旺、陈之威和浙江理工大学陈建能为通讯作者。该研究得到了山东省农业科学院科技创新工程（CXGC2026A06）和济南市农业科技攻关项目（GG202415）等项目的资助。

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

（撰写：陈之威  核稿：董春旺）