热带作物学报

作者：郑镇辉, 张淡然, 黄伟华, 韦丽娇, 郭昌进, 陈思睿, 吴海韵

单位：1.中国热带农业科学院农业机械研究所，广东湛江 524091,2.华南农业大学工程学院，广东广州，510642,3.农业农村部热带作物农业装备重点实验室，广东湛江 524091,4.广东省农业类颗粒体精量排控工程技术研究中心，广东湛江 524091,5.广东理工学院艺术学院，广东肇庆 526100

关键词：目标检测,甘蔗,茎节检测,YOLOv8

基金：中央级公益性科研院所基本科研业务费专项(1630132024014),中央级公益性科研院所基本科研业务费专项(1630132024012),中央级公益性科研院所基本科研业务费专项(1630132024006)

甘蔗茎节的精确识别对于智能化切种、种植定位及优化蔗园生产管理流程，进而提升产量与经济效益具有显著价值。然而，现有甘蔗茎节检测方法的性能、模型复杂度以及实时性等方面仍存在不足。为有效解决这一问题，本研究选择采用先进的YOLOv8模型，对结构化场景下的甘蔗茎节进行视觉检测。首先，设计野外甘蔗图像采集试验，对采集的甘蔗图像进行人工标记，并建立图像训练集和测试集；接着，采用YOLOv8网络作为甘蔗茎节检测模型，确定最优超参数组合并进行模型训练；最后，进行野外实际识别试验，验证本方法的有效性和高效性。结果表明：本方法在测试集上的精确率、召回率、mAP、单帧推理耗时以及模型大小分别为0.973、0.958、0.974、19.80 ms和6.30 MB。与Edgeyolo_S_Coco网络和Edgeyolo_Tiny网络相比，YOLOv8_n网络的mAP同比分别提高了1.70%和1.30%，单帧推理耗时同比分别降低了4.71 ms和1.50 ms，模型大小同比分别缩减了33.70 MB和17.50 MB。本研究提出的甘蔗茎节检测网络在检测性能和泛化能力上更具优势，能满足户外环境下对算法精度和模型复杂度的需求，为农业智能化生产中的甘蔗收获与种植提供坚实的技术支撑。

来源：2024年第10期

《热带作物学报》期刊编辑部

查看热带作物学报杂志2024年第10期