基于YOLOv8-MCS的马铃薯幼苗识别与农机导航坐标提取研究

《Precision Agriculture》：Agricultural machinery navigation coordinate extraction driven by YOLOv8-MCS-based potato seedling recognition

本研究针对传统农机导航坐标获取方法存在的局限性，提出了一种基于无人机影像和YOLOv8改进算法的马铃薯幼苗识别与导航线生成新方法。来自国内的研究人员通过引入MobileNetV3骨干网络、CBAM注意力机制和SIoU损失函数，显著提升了检测性能（mAP达90.4%），成功实现了作物行的精准空间坐标提取，为精准农业中的无人农机自主作业提供了创新解决方案。

　　

本研究展示了一种创新的无人机驱动方法，用于获取马铃薯田间的导航坐标，以支持自主农业机械作业。首先，研究团队利用配备高精度实时动态（Real-Time Kinematic, RTK）系统的无人机采集马铃薯田地的地理空间图像，从而建立了一个马铃薯幼苗数据集。提出了一种基于YOLOv8（You Only Look Once version 8）的方法，用于检测马铃薯幼苗生长早期的中心点。该方法将主干网络替换为MobileNetV3，集成了卷积块注意力模块（Convolutional Block Attention Module, CBAM），并采用SIoU（Scylla-IoU）损失函数以提升性能。随后，从检测到的边界框中提取每行马铃薯植株的中心像素坐标，使用最小二乘法进行直线拟合，并将其转换为具有实际地理坐标的空间坐标，从而生成作物行的导航信息。

在马铃薯幼苗检测数据集上的验证结果表明，该算法的准确率（Accuracy）达到87.7%，召回率（Recall）为86.4%，平均精度均值（mean Average Precision, mAP）高达90.4%。与SSD（Single Shot MultiBox Detector）、Faster R-CNN（Region-Based Convolutional Neural Network）、YOLOv5、YOLOv7、YOLOv8和YOLOv11等算法相比，其mAP分别提升了4.77%、6.22%、2.69%、4.13%、2.56%和5.14%。该算法模型尺寸紧凑、检测速度快、精度高，使其特别适合模型迁移和实际部署。

田间试验进一步证实，生成的导航线能够准确引导拖拉机沿马铃薯垄沟行进。总体而言，这项研究为拖拉机辅助导航坐标的获取提供了一种新的解决方案。通过解决传统导航坐标获取方法的局限，本工作提出了一种新途径，可显著降低劳动强度和作物损伤，同时促进无人农业机械在精准农业中的更广泛应用。