文献类型： 中文期刊

作者： 杨肖委 ¹ ; 沈强 ¹ ; 罗金龙 ¹ ; 张拓 ¹ ; 杨婷 ¹ ; 戴宇樵 ¹ ; 刘忠英 ¹ ; 李琴 ¹ ; 王家伦 ¹ ;

作者机构： 1.贵州省茶叶研究所

关键词： 深度学习;茶树嫩芽;图像识别;YOLOv8n;注意力机制;采摘机器人

期刊名称： 茶叶科学

ISSN： 1000-369X

年卷期： 2024 年 44 卷 006 期

页码： 949-959

收录情况： 北大核心 ; CSCD

摘要： 在复杂自然环境下对茶树嫩芽进行精确识别是实现农业机器人智能化采摘茶树嫩芽的关键技术之一。针对茶园复杂环境下茶树嫩芽识别率低的问题，提出了一种基于改进YOLOv8n的茶树嫩芽检测方法。使用荣耀80手机采集茶树嫩芽图片，并对图片进行标注，按照训练集、验证集、测试集8∶1∶1的比例划分数据集。为有效提取嫩芽特征并减少模型冗余计算和内存访问，采用FasterNet模型替换YOLOv8n网络结构的骨干网络进行特征提取；为抑制茶园环境背景信息、增强模型对嫩芽的特征提取能力，在主干网络尾部（SPPF模块后）引入全局注意力机制（Global attention mechanism,GAM）；在Neck网络中引入上下文引导（Context guided,CG）模块，学习茶树嫩芽局部特征和周围环境的联合特征，进一步提高茶树嫩芽的识别准确率。利用构建的茶树嫩芽数据集对改进的YOLOv8n算法进行训练和测试。消融试验验证结果显示，FasterNet网络、GAM注意力机制和CG模块均有效提高了YOLOv8n模型的识别准确率。改进的YOLOv8n模型在多类别的茶树嫩芽数据集上平均准确率（Mean average accuracy,mAP）为94.3%；相较于原YOLOv8n模型，对茶树单芽、一芽一叶、一芽二叶的识别mAP分别提高了2.2个百分点、1.6个百分点、2.7个百分点。以YOLOv3-tiny、YOLOv3、YOLOv5m、YOLOv7-tiny、YOLOv7和YOLOv8n模型进行对比试验，结果显示，改进的YOLOv8n模型对茶树嫩芽识别的效果最佳，说明改进的YOLOv8n模型能有效提升茶树嫩芽识别准确率。研究结果可为智能化茶叶采摘机器人的开发提供技术支撑。