云南作为小粒咖啡的主产区，其种植面积和产量达全国的98%以上。咖啡生豆在现有方法分级后依旧会出现豆子大小不均等情况，影响同批优质豆子的品质。咖啡豆的直径差异会导致其烘焙所需的温度和时间有所区别，从而影响咖啡的口感与香气。传统方法对咖啡生豆分级大多是依靠人工或者是机械。随着人工智能的不断发展，深度学习在分类、识别、预测等方面已有了广泛的应用。

云南农业大学食品科学技术学院的杨红欣、吴文斗*和云南省农业机械化干部学校的陈越等提出一种轻量化YOLOv8-FasterBlock模型，旨在精准、快速地实现小粒咖啡生豆分级。首先构建云南小粒咖啡生豆分级数据集，其次把YOLOv8模型应用于云南小粒咖啡生豆的分级，并引入轻量化模型FasterNet中的FasterBlock模块应用于YOLOv8，将原有C2f中的BottleneckBlock替换成FasterBlock模块。YOLOv8-FasterBlock为云南小粒咖啡的分级提供了一种快速、精准的检测模型，也为其他农产品的分级提供参考。

1 YOLOv8-FasterBlock

为了验证YOLOv8-FasterBlock在云南小粒咖啡生豆数据集上的有效性，在其他训练条件保持一致的情况下，初始学习率为0.001，训练轮次设置为300。实验采用轻量化YOLOv8-FasterBlock模型在云南小粒咖啡生豆数据集上进行训练，实验结果如表3所示。

YOLOv8-FasterBlock模型的精确率、召回率、 mAP 50 、mAP 50-95 分别达98.4%、94.3%、97.4%、79.6%，平均检测时间为2.4 ms，模型的参数量为2.3 M，显然YOLOv8-FasterBlock可以实现对云南小粒咖啡生豆实时、高效、准确分级。表4展示了YOLOv8-FasterBlock在4 类咖啡生豆中的分级情况，YOLOv8-FasterBlock模型对于4 类咖啡生豆的精确率均在96%以上。其中，对于二级豆的精确率达到99.7%，缺陷豆的精确率达到99.6%，三级豆精确率为98.1%。相比之下，一级豆的精确率最低为96.1%。总体而言，该模型可以精准地识别出每一级咖啡生豆。

2、对比实验

采用RT-DETR和YOLOv5（n、l）作为YOLOv8（s、m、l、x、n）对比实验模型，实验训练过程如图10所示。由图10a可看出，损失曲线在200 轮训练后趋于平稳，说明模型已经较好地学习了目标的特征信息，模型到达收敛。图10b～d分别表示模型的 mAP 50 、精确率、召回率值在训练过程中逐渐增加，最后趋于平稳。结果表明YOLOv8-FasterBlock模型在云南小粒咖啡分级任务中表现出较好的性能。

对比实验结果如表5所示，YOLOv8-FasterBlock、YOLOv8x、YOLOv8n和RT-DETR展现出较高的准确率，并且YOLOv8-FasterBlock在推理速度上表现较优，其检测平均时间为2.4 ms，召回率、 mAP 50 和F1分数分别为94.3%、97.4%、96.3；其次准确率较高的是YOLOv8m、YOLOv5l和YOLOv8l，分别到达94.1%、93.0%、92.9%，但所用的平均检测时间较长；YOLOv5n和YOLOv8s模型的性能一般，其精确率为分别为90.0%和91.1%；YOLOv8-FasterBlock在保持较高精准度的前提下，降低模型参数量，有利于检测速度的提升，保证了模型的轻量化。因此，相比于其他目标检测模型，YOLOv8-FasterBlock更加适合咖啡豆分级任务。

3 消融实验

将YOLOv8-FasterBlock和YOLOv8n模型应用到咖啡生豆分级中，训练过程如图11a所示。随着训练轮数的增加，模型损失值逐渐减小，到200 轮之后，损失曲线趋于收敛稳定，这说明模型训练过程表现良好，模型得到充分训练。图11b对YOLOv8-FasterBlock和YOLOv8n的精确度进行对比，YOLOv8-FasterBlock最终的精确率高于YOLOv8n，证明YOLOv8-FasterBlock的分级性能优于YOLOv8n。

以自制云南小粒咖啡生豆数据集为基础进行了消融实验，对改进后模型进行测试，实验结果如表6所示。在YOLOv8n模型上进行更换主干和颈部网络中的C2f模块，模型的精确率、召回率、 mAP 50 分别提升了1.7%、0.8%、1.7%，同时模型的参数量从3.0 M减少到2.3 M。主要原因可能是C2f中的BottleneckBlock模块对于小目标的特征提取能力不如FasterBlock模块，并且BottleneckBlock模块的计算量多且复杂，影响模型的整体性能。因此选取轻量化模型中的FasterNet模型中的FasterBlock模块进行改进，改进后的C2f-Faster能够很好地获取咖啡生豆的细微特征，如瑕疵、颜色和形状等。同时C2f-Faster模块可通过减少参数数量和优化计算路径来提高计算效率，从而在保持或提升性能的同时减少模型的计算负担。结果表明FasterBlock模块能够加强YOLOv8n模型对通道信息和空间位置信息的关注，增强模型对云南小粒咖啡生豆特征的提取能力，同时也能一定程度上减少模型参数。

4 轻量化实验对比

为探究YOLOv8-FasterBlock算法与其他轻量化MobileNetV4和EfficientViT改进的效率，将YOLOv8-FasterBlock、YOLOv8-Mobilenetv4和YOLOv8 EfficientViT模型在云南小粒咖啡生豆数据集上进行实验，实验结果见表7。

由表7可知，YOLOv8-FasterBlock模型精确率到达98.4%、召回率达到94.3%、 mAP 50 到达97.4%、平均检测时间为2.4 ms，模型的参数量2.3 M。YOLOv8-FasterBlock与YOLOv8-Mobilenetv4和YOLOv8-EfficientViT模型相比，精确率分别提升了5%和8.3%；召回率提高5%和4.8%；mAP50上升了3.9%和4.8%；且参数量减少了3.4 M和1.7 M。与之相比，YOLOv8-FasterBlock模型性能是改进后3 个模型中最优的。

5 模型识别效果可视化分析

利用YOLOv8-FasterBlock、YOLOv8（n、s、m、l、x）、YOLOv5（n、l）、RT-DETR、YOLOv8-Mobilenetv4和YOLOv8-EfficientViT模型在自建的云南小粒咖啡生豆数据集上进行检测效果可视化对比，结果如图12所示。

由图12可以看出，在对咖啡生豆进行分级识别时，YOLOv5n模型出现漏检的情况最严重，有14 颗咖啡生豆未能识别；其次是YOLOv5l出现11 颗咖啡生豆漏检；YOLOv8l模型有3 颗咖啡生豆未能识别；YOLOv8s、YOLOv8x、YOLOv8-Mobilenetv4和YOLOv8-EfficientViT模型出现1 颗咖啡生豆漏检。虽然YOLOv8n、YOLOv8m和RT-DETR模型可以识别出4 类咖啡生豆，但是模型的准确度不够，其参数量和推理时间较大，不利于咖啡生豆实时检测。YOLOv8-Mobilenetv4和YOLOv8-EfficientViT主要在速度上得到相应的提升，但这两个模型的准确率相对较低。而YOLOv8-FasterBlock模型在降低漏检率的同时，还能保持快速的检测速度，且减小了模型参数，轻量化模型的主要优点得以显著展现。综上所述，本研究所改进的YOLOv8-FasterBlock模型能够在较快的速度下，以较高的准确率实现云南小粒咖啡的分级检测。

6 特殊情况识别

在实际的生产中，咖啡生豆的分级可能出现粘连的情况，因此，本研究准备了5 张粘连咖啡生豆图像共计177 颗咖啡生豆，将YOLOv8-FasterBlock运用于咖啡生豆的粘连检测分级实验中。在其他训练条件保持一致的情况下，初始学习率为0.001，训练轮次设置为500。图13a为在原模型和改进后的模型上经过500 轮训练，得到的对应损失曲线。如图13b所示，对比两条曲线可以发现，在粘连实验中，YOLOv8-FasterBlock与原模型相比，精确率从86.7%提升到了94.7%。

YOLOv8-FasterBlock和YOLOv8n模型在粘连豆实验中的结果如表8所示，YOLOv8n模型对于粘连豆分级识别的精确率为86.7%，召回率为89.9%， mAP 50 为95.0%，平均检测时间为4.2 ms。而YOLOv8-FasterBlock表现出了较好的性能，其精确率达到94.7%，召回率为94.5%， mAP 50 达到98.4%，平均检测时间为2.3 ms，相较原模型提升了1.9 ms，参数量下降了0.7 M。综合来看，YOLOv8-FasterBlock更适用于咖啡生豆粘连豆的分级。

YOLOv8-FasterBlock和YOLOv8n模型对于粘连豆的识别效果如图14所示。YOLOv8n漏检的咖啡生豆较多，并且准确度不高。而YOLOv8-FasterBlock相较于YOLOv8n，漏检的情况明显减少，精确率提高了8%，且速度提升至2.3 ms，对粘连豆的分级效果更好。

7 结论

本研究主要提出了适用于云南小粒咖啡生豆分级的轻量化YOLOv8-FasterBlock模型。该模型在自建的云南小粒咖啡生豆数据集上的精确率到达98.4%、召回率达到94.3%、 mAP 50 到达97.4%、平均检测时间为2.4 ms，模型的参数量2.3 M。相较于RT-DETR、YOLOv5（n、l）、YOLOv8-Mobilenetv4和YOLOv8-EfficientViT模型，该模型的轻量化设计在提升检测速度的同时，准确度也得到相应的提高。本研究还对咖啡生豆实际分级中可能出现的粘连情况进行实验，YOLOv8-FasterBlock对于粘连咖啡生豆的精确率到达94.7%，召回率达94.5%， mAP 50 达到98.4%。因此，YOLOv8-FasterBlock还可用于咖啡生豆分级的粘连识别。综上所述，本研究采用的轻量化YOLOv8-FasterBlock模型在云南小粒咖啡生豆分级实验中展现出显著优势。实际生产中，可以用高速摄像机配合边缘设备进行检测，轻量化、快速、高效的分级方法对分级算法在实际生产线上的部署有重要作用。轻量化YOLOv8-FasterBlock模型为云南小粒咖啡生豆分级检测提供了一种高效、准确的方法，也可以为其他农产品分级检测研究提供参考。

本文《基于轻量化YOLOv8-FasterBlock模型的云南小粒咖啡生豆分级方法》来源于《食品科学》2025年46卷第4期268-277页，作者：杨红欣，陈越，裴国权，钱雪英，李沛瑶，朱才英，夏迁，刘自高，吴文斗。DOI:10.7506/spkx1002-6630-20240729-279。点击下方 阅读原文 即可查看文章相关信息。

实习编辑：俞逸岚；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为了帮助食品及生物学科科技人员掌握英文科技论文的撰写技巧、提高SCI期刊收录的命中率，综合提升我国食品及生物学科科技人员的高质量科技论文写作能力。《食品科学》编辑部拟定于2025年8月7-8日在 中国 湖南 长沙 举办“第12届食品与生物学科高水平SCI论文撰写与投稿技巧研修班”，为期两天。

长按或微信扫码了解详情

为贯彻落实《中共中央国务院关于全面推进美丽中国建设的意见》《关于建设美丽中国先行区的实施意见》和“健康中国2030”国家战略，全面加强农业农村生态环境保护，推进美丽乡村建设，加快农产品加工与储运产业发展，实现食品产业在生产方式、技术创新、环境保护等方面的全面升级。由中国工程院主办，中国工程院环境与轻纺工程学部、北京食品科学研究院、湖南省农业科学院、岳麓山工业创新中心、中国工程科技发展战略湖南研究院承办，国际食品科技联盟（IUFoST）、国际谷物科技协会（ICC）、湖南省食品科学技术学会、洞庭实验室、湖南省农产品加工与质量安全研究所、中国食品杂志社、中国工程院Engineering编辑部、湖南大学、湖南农业大学、中南林业科技大学、长沙理工大学、湘潭大学、湖南中医药大学、新疆维吾尔自治区农业科学院协办的“2025年中国工程院工程科技学术研讨会—推进美丽乡村建设-加快农产品加工与储运产业发展暨第十二届食品科学国际年会”，将于2025年8月8-10日在中国 湖南 长沙召开。

长按或微信扫码进行注册

为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社将与江西农业大学、江西科技师范大学、南昌师范学院、家禽遗传改良江西省重点实验室共同举办的“2025年动物源食品科学与人类健康国际研讨会”，将于2025年10月25-26日在中国 江西 南昌召开。

长按或微信扫码进行注册