基于YOLOv8的甘蔗茎节高效检测方法OA北大核心CSTPCD

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。