基于改进YOLOv8的烟草植株检测与计数方法研究

• 全文链接
• 请求原文

作   者：

高睿;  吴会才;  刘春菊;  刘中庆;  管恩森;  高强;  姜红花; 

作者机构：

山东省烟草公司莱芜分公司;  山东省烟草公司临沂分公司;  山东省烟草公司潍坊分公司;  山东农业大学信息科学与工程学院; 

关键词：

YOLOv8;  深度学习;  目标检测;  计数;  烟草植株; 

期刊名称：

中国烟草学报

i s s n：

1004-5708

年卷期：

2025 年 31 卷 001 期

页   码：

111-122

摘   要：

【目的】实现不同生长时期烟草植株的快速检测与精准计数，针对烟草生长过程中存在的叶片交叉以及植株之间不同程度的重叠遮挡等情况，提出一种基于改进YOLOv8的不同生长期烟草植株检测与计数方法。【方法】以YOLOv8网络框架为基础，将特征融合模块改进为渐近特征金字塔网络（Asymptotic Feature Pyramid Network,AFPN），避免跨层融合时非相邻层之间的较大语义差异，提高了烟叶交叉情况下的检测精度；采用空间金字塔池化快速跨阶段部分通道模块（SpatialPyramidPoolingFast Cross-Stage Partial Channel,SPPFCSPC）替换原空间金字塔池化结构，极大程度地解决重复特征提取的问题，降低模型复杂度；将损失函数优化为边界框回归损失函数MPDIoU(Minimum Point Distance Intersection over Union)，有效减少遮挡导致的烟叶漏检情况；通过搭载DeepSORT(Deep Simple Online and Realtine Tracking)目标跟踪算法实现植株计数功能。【结果】本研究建立的模型在目标检测中的平均精确率达到了95.9%，相比于原模型提高3.6%，与Faster R-CNN、SSD、CenterNet、YOLOv5n、YOLOv7等模型相比分别提高22.6%、4.8%、18.8%、7.1%、4.2%；在计数任务中，MOTA最高达到93.41%。【结论】本研究建立的模型能够实现对不同生长时期烟草植株的快速检测与精准计数，为烟草种植业的智能化管理提供了新的思路和方法，有助于推动烟草产业的现代化进程。