为了促进茶叶自动采摘的实现，提高茶叶分级检测的速度和准确性，本研究提出了一种改进的YOLOv8网络用于新鲜茶叶分级识别。该方法使用Shifted Windows集成了一个分层视觉转换器，以替换原始YOLOv8网络架构的部分，从而减轻了密集图像处理任务的计算负荷并降低了计算成本。将高效的多尺度注意力模块与跨空间学习相结合，有助于减弱复杂背景中无关特征的影响，从而提高模型的检测精度。此外，用SIoU替换损失函数有助于更快速的模型收敛和更精确地确定缺陷位置。实证结果表明，增强的YOLOv8算法在精度、召回率、F1和mAP等指标上取得了显著改善，与原始YOLOv9模型相比，分别提高了3.39%、0.86%、2.20%和2.81%。此外，在外部验证中，与原始YOLOv8、YOLOv5、YOLOX、Faster RCNN和SSD深度学习模型相比，FPS增强分别为6.75 Hz、10.84 Hz、12.79 Hz、28.24 Hz和21.57 Hz，实际检测中的mAP改进分别为2.79%、2.92%、3.08%、7.07%和3.84%。改进后的模型不仅保证了高效准确的茶叶分级识别，而且具有高识别率和快速检测能力，从而为茶叶采摘机器人和茶叶质量分级设备的发展奠定了基础。

图1  茶叶原始图像样本集。

图2  图像数据集的数据增强处理。

图3  改进的YOLOv8网络架构图。

图4  Swin Transformer和Vision Transformer下采样策略的比较。

图5  Swin Transformer骨干网结构示意图。

图6  SW-MSA窗口间信息交互工作模式。

图7  注意机制的结构。

图8  SIoU损失功能结构示意图。

图9  改进YOLOv8和原始YOLOv9损失函数变化曲线的比较。

图10  精确度、召回率和F1分数变化曲线。

图11  不同AP和mAP的比较。

图12  不同模型检测结果的比较。

图13  模型训练收敛曲线的比较。

图14  与消融实验相关的Grad-CAM热图可视化。