基于改进YOLOv8模型的农业机器人单株植物检测与跟踪方法及其在精准田间管理中的应用

《Computers and Electronics in Agriculture》：Individual plant detection and tracking for agricultural robotics in precision field management

本文提出了一种基于改进YOLOv8模型（集成PConv、SimSPPF和NAM模块）的单株植物检测方法，并结合StrongSORT算法实现动态场景下的精准跟踪。该轻量化模型在检测任务中mAP50达93.60%，模型体积减少22.58%；在跟踪任务中MOTA最高达94.55%。通过Jetson Orin NX平台实地验证，该系统在复杂光照和未知棉田场景下均保持稳健性能，为精准农业（如变量施肥、靶向除草）提供了可靠的技术支持。

　　

Highlight

本研究提出了一种基于改进YOLOv8模型的单株植物检测与跟踪方法，通过引入PConv模块降低计算量，采用SimSPPF结构增强多尺度识别能力，并加入NAM注意力机制提升目标聚焦度。结合StrongSORT算法，实现了动态农田场景下（如光照变化、复杂背景）植物的连续精准跟踪。

方法

如图3所示，模型对采集的视频数据逐帧处理。首先使用YOLOv8_FSN进行单株植物检测（YOLOv8n为纳米级版本，兼顾高效性与精度）。随后，StrongSORT基于特征匹配进行跟踪，结合卡尔曼滤波（Kalman Filter）和匈牙利算法（Hungarian Algorithm）完成数据关联，确保同一植物ID的连续匹配。

实施细节

实验在Windows 10系统下进行，搭载Intel i5-13600KF CPU和NVIDIA GTX 3090 GPU（24 GB显存）。所有网络训练采用统一超参数：学习率0.01，输入图像尺寸640×640像素，批次大小16，训练轮次200。

目标检测评估指标

检测模型的评估指标包括精确率（Precision, P）、召回率（Recall, R）和平均精度均值（mAP）。其中mAP₅₀表示交并比（IoU）阈值为0.5时的平均精度。

单株植物检测模型对比实验

为评估不同模型在农田环境中的性能，我们对比了RT-DETR、SSD、Faster R-CNN、YOLOv5、YOLOv11、YOLOv8及本文提出的YOLOv8_FSN。如表1所示，YOLOv8_FSN在各项指标上均优于对比模型，尤其在轻量化与精度平衡方面表现突出。

结论

YOLOv8_FSN有效解决了动态农田环境中植物检测与连续跟踪的挑战。实验表明，其检测mAP₅₀达93.60%，较基准模型提升2.70%，模型参数量降低22.58%。在强光、弱光及未知棉田场景下，基于Jetson Orin NX的部署实现了7.67–13.18 FPS的实时推理，证明了该方法的鲁棒性与泛化能力，为农业机器人的精准作业提供了技术支持。