基于关键点检测的葡萄园导航路径高效快速提取方法研究

针对传统葡萄园机器人导航路径提取方法存在环境依赖性高、计算复杂度大等问题，研究人员提出改进的YOLOv8-KN模型，通过集成FasterNet Block、EMA注意力机制等模块，实现葡萄根茎关键点精准定位与导航路径快速拟合。实验表明，模型平均精度达87.1%，路径拟合仅需1.66毫秒，为农业机器人轻量化高性能导航提供新方案。

　　

随着全球人口激增与气候变化加剧，传统葡萄园管理面临劳动力短缺和技术滞后的双重挑战。农业机器人作为智慧农业的核心装备，其自主导航能力直接决定作业效率。然而，葡萄园环境枝条交错、光照多变，传统机器视觉方法如Hough变换、Otsu阈值分割等易受干扰，而基于深度学习的语义分割又存在计算量大、实时性差等问题。如何实现复杂场景下导航路径的高效精准提取，成为制约农业机器人应用的关键瓶颈。

针对这一难题，广西自然科学基金资助项目团队在《Engineering Applications of Artificial Intelligence》发表研究，提出基于关键点检测的YOLOv8-KN模型。该研究通过融合FasterNet Block轻量化结构、EMA（Efficient Multi-Scale Attention）多尺度注意力机制、UIB（Universal Inverted Bottleneck）通用逆瓶颈模块和DySample动态上采样器，将传统三阶段算法简化为关键点检测与路径拟合两步，显著提升运算效率。

关键技术方法
研究团队首先构建包含多种光照场景的葡萄园数据集，采用数据增强提升泛化性。模型改进方面，用FasterNet Block替换原YOLOv8主干网络降低参数量25.8%，EMA机制增强多尺度特征提取能力，UIB模块优化特征融合效率，DySample减少上采样伪影。导航路径通过最小二乘法拟合左右侧关键点生成，最终部署至移动设备验证实用性。

实验结果

1. 模型性能：在葡萄根茎检测任务中达到91.2%关键点检测精度，计算量控制在6.7 GFLOPs。相比YOLOv5-Trunk等现有方法，参数量减少31.4%，推理速度提升2.3倍。
2. 导航精度：路径拟合平均偏航角仅0.75°，最大偏移误差14.04像素，在雾天、雨天等复杂条件下仍保持稳定。
3. 实时性：单帧处理耗时1.66毫秒，满足农业机器人实时控制需求。

结论与意义
该研究首次将人体姿态估计中的关键点检测技术迁移至农业场景，通过算法创新实现导航路径提取的"降维打击"。相比传统方法，YOLOv8-KN在保持87.1%平均精度的同时，显著降低对环境先验知识的依赖，其轻量化特性（模型体积减少至14.6MB）尤其适合资源受限的田间设备。研究为葡萄园等非结构化环境中的自主导航提供了新范式，相关模块设计思路可拓展至果园、大田等农业场景，推动智慧农业从理论到应用的跨越发展。