导读针对显微图像花粉颗粒检测中人工效率低、主观性强及小目标边界模糊问题本文提出高精度自动检测方法构建了延安地区6类花粉显微图像数据集完成912张原始图像、1351个目标标注并通过亮度扰动、噪声注入、旋转翻转扩增至9120张同时在YOLOv8基础上提出BiFPN-ATFL和Wavelet-CG-C2f两种改进模型。其中BiFPN-ATFL在多尺度检测中实现稳定增益Wavelet-CG-C2f在复杂背景下平均检测精度达80.3%召回率达82.1%松科花作者信息李子瑶, 何进荣延安大学数学与计算机科学学院陕西 延安论文详情数据采集采用 EX21 生物显微镜(目镜 4 倍、物镜 10 倍)与 500 万像素电子目镜相机单幅图像分辨率为 2048 × 1536。数据包含菊科蒿属、禾本、木犀科、松科、杨柳、银杏 6 类花粉共 912 张原始图像 和 1351 个目标实例(见表 1)。标注工具为 LabelMe采用双人交叉复核机制低于一致率阈值的样本返工重标。样本总数为 9120 张按 60%、20%、20%划分训练集、验证集与测试集保证模型比较的一致性。实验流程见图 1。下图 2 中是用 Haar 小波变换对分辨率为 H × W 的图像进行分解的过程。实验平台为 Windows10、PyTorch 框架、NVIDIA GeForce GTX 3060(8GB)软硬件环境配置见表 2。本文将结果分为三层其 一是类别级准确率(见表 3表 4)观察易混淆类别的判别稳定性其二是类别级召回率(见表 5表 6) 分析漏检风险其三是类别级 mAP 与综合 mAP (见表 7表 8)评价检测器整体排序能力。综合表 7 与表 8 可以看出两类改进模型都优于原始 YOLOv8但优势来源不同BiFPN-ATFL 通过增强跨层特征复用主要改善多尺度目标的检测稳定性Wavelet-CG-C2f 通过频域细节保留与上下文引导建模主要提升密集粘连与复杂背景场景下的可分性。同时两种改进并非只对松科有效在菊科蒿属、杨柳与银杏上也表现出一致增益只是增益幅度受类别纹理差异影响。针对常见问题本文进行了针对实验结果汇总见表 11。本文完成了延安地区花粉显微图像数据集构建并提出 BiFPN-ATFL 与 Wavelet-CG-C2f 两种改进 YOLOv8 检测方法。实验结果表明改进策略在精确率、召回率和 mAP 上整体优于经典 YOLO 系列模型其中 Wavelet-CG-C2f 在复杂背景下综合性能最佳松科花粉 mAP 达到 98.0%。研究证明面向显微小目标检测任务将频域特征增强与上下文建模结合可有效突破传统卷积下采样的信息损失限制。后续工作将扩充跨区域数据并引入迁移学习与元学习以提升小样本场景泛化能力。原文链接https://doi.org/10.12677/csa.2026.166221