随着农业智能化进程的加快,基于深度学习、机器人等人工智能技术在农业生产中的应用也越来越受到关注。针对现有番茄果实识别方法在复杂环境下误识率高、定位精度低和采摘效率低等问题,本文提出了一种改进的YOLOv8网络模型,旨在提高番茄果实自动化采摘的检测精度和速度。 该网络以YOLOv8为初始模型,在其骨干网络中添加了可变形卷积模块(DCN),有效提升模型对小目标的检测精度,降低漏检率;在Neck端引入SE注意力机制模块,提高对检测目标的关注度;采用Inner-IoU损失函数来替代原有的CIoU损失函数,提高目标检测中边界框的回归精度。本研究将改进后的YOLOv8模型与SSD、YOLOv4、YOLOv5、YOLOv7网络模型对比,平均精度分别提高了7.2、6.4、6.6、7.7个百分点,改进后的YOLOv8模型较原模型的准确率提升了3.8%,召回率上升了0.6%,同时mAP@0.5和mAP@[0.5:0.95]分别提高了约2.6%和1.9%。研究表明改进的YOLOv8模型能够有效提高番茄果实的自动化采摘检测精度和速度,对实现番茄的自动化采摘具有重要意义。