摘要
随着时代的不断发展和相关科学理论的普及，人民对生活水平的要求不断提高，健康饮食观念也逐渐加重，茶叶作为一种营养丰富的饮品也越来越多的出现在人民的日常生活中。在茶叶种植与采摘过程中，茶叶嫩芽的检测与估产可以帮助茶产业从业人员对茶叶生产的前期工作进行合理规划，有效提高茶叶采摘和生产效率。本文针对目前茶叶嫩芽检测与估产工作过度依赖人工、方法手段少、实时性差等问题进行研究分析，提出了一种在图像识别技术基础上结合偏最小二乘法线性回归分析的茶叶嫩芽检测及估产方法，该方法对茶叶嫩芽的检测精度高、估产准确，可以实现茶叶嫩芽的有效检测与估产，为茶叶种植过程中茶芽的检测与估产工作提供了新的思路。本文主要研究内容如下: （1）采集了茶叶嫩芽图像与产量数据并构建了对应数据集。选定图像采集设备，以山东省日照市的日照绿茶作为研究对象，在春、夏两个采摘季节采集了茶叶嫩芽的图像数据以及产量数据，分割图像数据并通过调整亮度、对比度、添加噪声的采用图像分割的数据增强方法完成图像预处理工作，进而构建目标检测模型训练所需各数据集。 （2）提出了基于优化YOLOv8模型的茶叶嫩芽检测模型。提出采用深度学习技术构建茶叶嫩芽检测模型，搭建了适用于YOLOv5和YOLOv8两种模型运行的系统环境，建立了基于YOLOv8的茶芽检测模型，在不同季节茶芽图像数据集上训练，对比结果并分析其差异性及原因。通过替换SPPCSPC空间金字塔池化结构和SIoU损失函数对模型进行优化并进行消融试验。分析消融试验结果验证了 YOLOv8相较于其前身YOLOv5的优越性以及各优化模块的有效性。优化后的YOLOv8模型精确率P（Precision）达到了 95.9%，召回率 R（Recall）达到了 85.5%，平均精度均值 mAP（mean Average Precision）为91.7%，完全可以满足本文基本需求。 （3）建立了基于偏最小二乘法的茶叶嫩芽估产模型并进行估产试验。采用偏最小二乘法对茶叶嫩芽数目与产量数据间线性相关关系进行拟合并以此为依据构建出茶芽估产的数学模型，与茶叶嫩芽目标检测模型相结合最终组成完整的茶芽检测与估产模型。设计了估产试验方案进行估产试验，最终总试验区域估产绝对误差为0.115 kg，相对误差10.28%,得出了本方法可以有效完成茶园种植环境下茶叶嫩芽的检测识别与估产工作的结论并分析了本文所提出的茶芽检测及估产方法精度相较于现有其他作物的估产方法精度较低的主要原因。
NETL