针对桑树检测过程中复杂环境下特征提取困难，需要嵌入式设备对模型进行轻量化的问题，本研究在YOLOv8n模型的基础上进行轻量化改进。首先，CSPPC模块在瓶颈结构中引入轻量级部分卷积（partial convolution，PConv），取代C2f模块，提高特征提取效率。其次，用ADown模块代替传统的下采样模块，用P-Head模块代替传统的卷积检测器头，采用部分卷积检测器头。最后，利用知识蒸馏技术弥补了由于参数缩减而造成的精度损失。通过消融实验来评估各模块对模型性能的影响。实验结果表明，改进的YOLOv8模型的准确率为88.9%，召回率为78.1%，平均准确率为86.8%。参数个数为1.29 × 106，模型大小为2.6 MB，浮点计算为2.6 GFLOPs，边缘端帧率达到19.84 FPS。因此，该模型为桑树自动采收等移动检测设备在实际场景中的部署和应用提供了理论和技术支持。

图1  桑葚果实采集图像示例：(a)简单目标；(b)多目标；(c)光遮挡；(d)重度闭塞；整流罩(e)；(f)背光。

图2  增强效果：(a)原始图像；(b) 剪切缩略图；(c)高斯噪声；(d)不均匀缩放；(e)转置；(f)椒盐噪声。

图3  改进后的YOLOv8网络结构图。

图4  特征图的可视化：(a)原始图像；（b-e）第一层卷积特征图可视化；（f-j）第三层C2f层特征图可视化。

图5  PConv 结构示意图

图6  PConv逻辑结构图。注：h为特征图高度，w为宽度，c为通道数。

图7  Adown逻辑结构图。

图8  CWD蒸馏图。右上角不同的颜色代表不同的特征图。

图9  不同模型的PR曲线比较。

图10  比较所提出的模型与其他主流目标检测网络的指标的雷达图。

图11  工作透视图。

图12 检测结果。 (a)YOLOv8n；(b)所提出的模型。