一种基于改进的YOLOv8n模型和双线计数的谷物流量检测方法，该方法结合了多准则判别机制

《Small Ruminant Research》：A Grain Flow Detection Method Based on an Improved YOLOv8n Model and Dual-Line Counting with a Multi-Criterion Discrimination Mechanism

本研究提出了一种基于改进YOLOv8n模型的非接触式谷物流量检测方法，结合MPDIoU损失函数、SCSA注意力模块和SCConv轻量模块优化检测性能，并通过双线计数算法和五步逻辑过滤机制提高计数准确性，实验结果显示精度达90.6%、召回率91.4%、mAP94.5%，较原模型提升显著。

　　
在智能农业领域，精准的谷物产量监测技术是优化农田管理的重要基础。本文提出了一套基于深度学习的非接触式谷物流量检测系统，通过改进YOLOv8n目标检测模型与多规则决策机制的创新结合，显著提升了复杂环境下的检测性能。研究团队针对传统接触式监测技术存在的机械干扰、环境适应性差等问题，开发了融合计算机视觉与智能算法的全新解决方案，为无人化农业设备提供了可靠的技术支撑。

### 一、技术背景与挑战分析
传统谷物监测多依赖接触式传感器，如质量流量计或机械振动传感器，但存在以下局限：
1. **机械干扰**：振动、摩擦等物理接触易导致信号失真，文献[7-13]显示接触式传感器在动态环境下的误差率可达5%-30%。
2. **环境依赖性**：光照变化、谷物重叠等场景使光学传感器准确率下降40%以上（文献[5,16]）。
3. **硬件限制**：现有高精度设备成本高昂，难以满足大规模农田部署需求。

研究团队通过建立多维度优化框架，重点突破三大技术瓶颈：小目标检测能力、重叠谷物定位精度、实时计算效率。实验平台采用复刻真实收割机工作流的结构设计（图1），通过高速工业相机（4060万像素，20-41 FPS）捕捉动态谷物流，并引入双通道LED补光系统（图2）解决光照不均问题。

### 二、核心技术创新
#### （一）YOLOv8n模型的改进策略
1. **MPDIoU损失函数**
针对重叠目标检测难题，提出基于顶点距离的最小点距离IoU优化算法。通过计算预测框与真实框顶点间的欧氏距离（式1），有效解决传统IoU损失在密集谷物场景下的定位偏差问题。实测数据显示，该改进使重叠区域检测准确率提升27%（对比实验组数据）。

2. **SCSA协同注意力机制**
构建双路径注意力网络（图3）：
- **空间语义注意力（SMSA）**：通过特征图缩放与通道共享，增强边缘检测能力
- **渐进通道注意力（PCSA）**：采用分层自注意力机制，动态调整通道权重
实验表明，该模块在低光照条件下使小颗粒（<5mm）检测率从68%提升至89%（表3对比数据）。

3. **SCConv轻量化卷积模块**
在YOLOv8n的颈部网络引入空间-通道协同卷积结构（图4），通过重构空间特征与通道信息：
- **空间重构单元（SRU）**：采用可分离卷积降低计算量
- **通道重构单元（CRU）**：利用门控机制过滤冗余特征
该设计使模型参数量减少13.7%，计算量降低8.3%，同时保持检测精度稳定（表5对比数据）。

#### （二）多规则决策机制
开发五层过滤体系（图5）：
1. **动态运动校验**：通过垂直位移矢量分析（式4），排除因设备抖动产生的误检
2. **IoU轨迹匹配**：设置0.7的IoU阈值（式6），有效区分同一谷物在不同帧的变形
3. **面积突变检测**：设定面积变化率阈值（式9），过滤因图像模糊导致的异常目标
4. **超尺寸过滤**：设定 bounding box 面积占比上限（式10），消除背景噪声干扰
5. **双线计数策略**：主计数线（L1）与补偿线（L2）协同工作（式11-12），处理高速谷物（>1.2m/s）的漏检问题

实验数据显示，该机制在密集谷物流（>200颗粒/秒）场景下的计数误差率降至4.3%（对比组误差率12.7%）。

### 三、实验验证与性能评估
#### （一）基准测试环境
采用RTX 4060显卡，i7-13620处理器，16GB内存，PyTorch 1.12框架构建测试平台。数据集包含3360张经过 affine变换（旋转±15°）、高斯噪声（σ=0.05）增强的图像，其中214,731个标注目标通过X-AnyLabeling工具完成。

#### （二）关键性能指标
1. **检测精度**：改进后的GFR-YOLOv8n模型在90.6%精度、91.4%召回率、94.5%mAP上达到最优（表3）。与YOLOv10等主流模型相比，mAP提升1.5-2.5个百分点。
2. **计算效率**：
- GFLOPs从8.1降至7.9（表5）
- 模型参数量减少13.7万（原3,005,843 → 2,875,251）
- 单帧推理时间稳定在8.2ms（实测数据）
3. **抗干扰能力**：
- 动态光照条件下（照度波动±200lux），检测率保持92%以上
- 颗粒重叠度达70%时，计数误差率仍低于6%（图14示例）

#### （三）实际应用测试
1. **模拟环境测试**：在1.2m/s恒速下，连续运行4小时，系统累计检测12,800颗谷物，错误率控制在3.2%以内。
2. **对比实验**：
- 与YOLOv8n基准模型相比，精度提升2.7%，召回率提高1.7%
- 对比ODConv、DualConv等轻量化模块，GFR-YOLOv8n在保持93.8%mAP的同时，参数量减少14.3%（表5）
3. **误差分析**：
- 光照不足导致的漏检占比28%（表7）
- 重叠颗粒识别错误率主要集中于小颗粒（<3mm）区域

### 四、应用价值与局限性
#### （一）技术优势
1. **非接触式检测**：避免机械接触带来的污染与磨损，设备寿命延长3倍以上（对比文献[7]）
2. **轻量化部署**：可在Jetson Nano等边缘设备实现30FPS实时检测
3. **多场景适应性**：通过参数自适应调节（文献[19]），可扩展至玉米、大豆等作物检测

#### （二）现存挑战
1. **极端环境限制**：当相对湿度>85%或粉尘浓度>10mg/m3时，检测精度下降约15%
2. **动态范围不足**：当前系统在明暗交替场景（如日灼效应）下的适应性有待提升
3. **计算资源需求**：双线计数机制需要至少4GB显存支持（表6）

### 五、产业化展望
研究团队已完成原型系统开发（图10-11），核心优势体现在：
- **成本效益比**：较传统接触式方案降低硬件投入60%
- **维护便捷性**：无运动部件设计，故障率低于0.5%次/千小时
- **扩展潜力**：通过API接口可对接现有的农业物联网平台（如John Deere Operations Center）

未来研究方向包括：
1. 开发基于强化学习的动态阈值调节算法
2. 引入多模态传感器数据融合技术（结合激光测距与视觉检测）
3. 优化GPU内存管理方案，实现NVIDIA Jetson AGX Orin平台的部署

该研究成果已获得云南农业大学的创新基金支持（项目编号202302AE090020），相关算法代码已开源至GitHub（仓库链接待补充），为智能农机装备的升级提供了关键技术支撑。