准确检测茶芽对实现采收茶芽所需的自动化和智能化起着至关重要的作用。针对当前目标检测算法对遮挡场景下的茶芽检测精度低、模型过于庞大不适合移动部署的问题，本文提出了一种基于Yolox的改进模型Yolo-GSG用于茶芽检测。在特征融合网络中引入全局上下文机制，融合全局上下文信息，用于复杂背景下的茶叶芽识别。在检测头上增加分离增强注意模块SEAM，收集有利于茶芽分类的信息，抑制无用信息。在后处理阶段引入α-IoU方法，改善遮挡导致的漏检。在CSPLayer中引入ghost模块，大大减少了计算量和模型大小。最后，建立了茶芽数据集。消融实验结果表明，采用合适的技术可以进一步提高模型的性能。该模型优于前人研究中提出的模型(SSD、Faster RCNN、Yolov3、Yolov4、Yolov5、Yolov7)以及后续研究中引入的模型(Yolov8、RT-DETR、Yolov9)，其mAP值为92.71%，达到了最佳性能。浮点运算和参数分别减少到23.437G和8.782 M。综上所述，本文提供了理论研究和技术支持，为现实场景下的智能采摘茶芽奠定了基础。

图1  相机定位和拍摄角度。

图2  茶芽图像在不同的条件下获得：a背景复杂性，b采摘时间，c光照。

图3  茶芽的标签图像。A是原始图像，b是标记图像。

图4  花蕾类型：a单芽采摘，b一芽一叶采摘，c一芽两叶采摘。

图5  不同标记芽类型之间的准确率和召回率差异。

图6 数据增强的结果。

图7  YOLO-GSG算法的架构。

图8  C3-GC的结构。

图9  全局上下文(GC)模块。

图10  分离和增强注意模块的结构。

图11  Ghost模块的结构。

图12  GhostBottleneckV2的结构。

图13  DFC的结构。

图14  GSPGhostV2的结构。

图15  不同模型的检测图像。

图16  不同模型的图像类别的激活图。