青枣果皮薄、采后易损，传统人工分级效率低且主观性强。本研究在YOLOv8基础上，集成了双向特征金字塔网络和上下文转换注意力机制，提升了模型对青枣表面损伤的特征捕捉能力。团队构建了包含多品种、多角度拍摄的青枣图像数据集，依据行业标准分为一级、二级、三级和残次果四类。

　　实验结果表明，BCW‑YOLO的精确率达90.87%，召回率92.12%，平均精度为95.66%，F1值为91.49%，相比原始YOLOv8分别提升1.93%、2.77%、1.58%和2.34%。在与YOLOv3、YOLOv5、YOLOv10等主流模型的对比中，该模型对果实轻微损伤的识别优势突出，推理速度达195 FPS，具备良好的实际部署潜力。

　　本研究为青枣精准分级和自动化分选提供了新技术路径。下一步，团队将引入高光谱无损检测技术，探索青枣内在品质（如糖度、酸度）的快速检测。该研究得到了福建省公益类科研院所基本科研专项、漳州市自然科学基金、国家闽台特色作物种质资源圃（漳州）等项目的资助。论文共同第一作者为常鹏艳、朱旭东，通讯作者为姜帆副研究员。（文/图：亚热所 常鹏艳）