针对智能采茶机器人在茶叶嫩芽检测过程中存在的准确率低、计算量大、检测鲁棒性不足等问题,提出一种基于改进YOLO v8n网络模型的茶叶嫩芽检测算法YOLO v8-TD.该算法分别在不同天气(晴天、阴天、雨后)及不同季节(春、秋)采用不同角度拍摄嫩芽图像,构建数据集,利用翻转、旋转、改变亮度、添加噪声等操作来进行数据增强,以加强模型在实际环境中光照、角度不同的鲁棒性.在算法结构上,YOLO v8-TD对YOLO v8n模型的骨干网络和颈部网络进行改进.首先,在C2f模块中引入了可扩张残差(DWR)注意力机制,用于增强特征提取能力,使模型能够更准确地识别出茶叶嫩芽的细微特征.其次,模型引入双向特征金字塔网络(BiFPN)结构,用于增强多尺度和通道间的上下文信息捕获能力,减少信息冗余,使模型能够在多种尺度下精确定位目标.最后,借鉴VoV-GSCSP模块的思想,改进模型颈部网络,通过采用分组卷积和通道混洗技术,降低模型的复杂度和计算量,提高算法的运行效率.试验结果表明,原始模型在加入DWR可扩张残差注意力机制后,平均精度上升1.4百分点,计算量减少0.1 GFLPs;叠加BiFPN结构后,有效实现轻量化,计算量降为7.1 GFLPs减少了 1 GFLPs,但平均精度降为95.4％;最后加入VoV-GSCSP模块构建成YOLO v8-TD,平均精度达到97.2％,计算量降至6.6 GFLPs,模型参数量相较原模型减少36.5％.与 Faster-RCNN、SSD、RT-DETR、YOLO v3、YOLO v5 和 YOLO v8n 模型相比,YOLO v8-TD 在检测精度和模型参数量大小方面做出了较好的平衡,进而为采茶机器人轻量化部署提供了有效参考.
NETL
NSTL
万方数据
