摘要：[目的]高粱作为重要粮能作物，其育性检测对品种选育与产量提升至关重要。但田间复杂背景干扰导致传统检测效率低下，亟需高效精准的检测技术。[方法]该研究基于YOLOv8n提出了一种针对高粱育性的轻量化检测模型Fert-YOLO。首先，使用多种离线数据增强方法，扩充数据多样性，提升模型的泛化能力。其次，为了减少网络复杂度的同时有效提升网络对高粱育性的检测能力，使用StarNet替换YOLOv8n的骨干特征提取网络；在特征融合部分，对C2F进行重设计，引入MLCA(Multi-Level Cross-Attention)注意力机制，增强网络对有效特征的捕捉能力；最后使用基于共享卷积的LSCD(Lightweight Shared Convolution Detection)检测头，通过共享卷积层参数，大幅削减模型参数数量，降低模型复杂度。[结果]Fert-YOLO模型在高粱育性检测任务中表现卓越。相较于原YOLOv8n模型，其Map0.5提升了1.5%，模型对高粱育性的检测精度进一步提高。模型的FLOPs、Parameters相较于原模型降低了40%和47.8%，显著提升了模型的推理速度和部署效率。与其他常见单阶段轻量级检测模型对比，Fert-YOLO在检测精度与模型轻量化方面均展现出明显优势。[结论]该研究成果为田间条件下高粱育性的高效检测提供了可靠的技术支持，对推动高粱智能化育种和精准农业发展具有重要意义。
