本文介绍的研究由南京林业大学机械电子工程学院的王金鹏、何萌、甄乾广和周宏平共同完成，发表于2024年4月的《农业机械学报》第55卷第4期。该研究提出了一种基于改进的COF YOLO V8N网络的油茶果静态与动态检测计数方法，旨在解决自然环境下油茶果检测中存在的严重遮挡、近景色和小目标等问题。

研究背景与目的

油茶是一种重要的经济作物，广泛种植于亚热带地区。然而，油茶果实的采收效率低下，主要依赖人工操作，导致成本高且效率低。为了提高采收效率，自动化采收技术成为研究热点。基于机器视觉的深度学习算法在农业领域得到了广泛应用，但在复杂环境下，油茶果的检测精度仍然面临挑战。本研究旨在通过改进YOLO V8N网络，提高油茶果在复杂环境下的检测精度，并实现静态与动态条件下的计数功能。

研究方法与流程

研究主要分为以下几个步骤：

1. 数据采集与预处理：

   • 研究团队在江苏省南京市江宁区的油茶果种植基地采集了788幅油茶图像，涵盖了不同光照条件和果实颜色。
   • 使用OpenCV库对图像进行数据增强，包括添加噪声、仿射变换、平移、翻转等操作，最终生成了3566幅增强后的图像。
   • 使用LabelImg工具对图像进行标注，分为严重遮挡和轻微遮挡两类，并按8:2的比例划分为训练集和验证集。

2. 网络改进：

   • 轻量化网络重建：使用SCCONV（Spatial and Channel Reconstruction Convolution）替换YOLO V8N中的C2F模块，以减少模型参数量和计算复杂度。
   • MPDIOU损失函数：采用MPDIOU（Minimum Point Distance IOU）作为损失函数，有效解决了果实重叠导致的漏检问题。
   • 小目标检测层：在YOLO V8N网络中添加了一个160×160像素的小目标检测层，以提高对小目标油茶果的检测精度。

3. 模型训练与评估：

   • 模型训练在NVIDIA GeForce RTX3070Ti GPU上进行，使用PyTorch框架。
   • 评估指标包括精确率（Precision）、召回率（Recall）和平均精度均值（mAP）。

4. 动态计数：

   • 研究借鉴了DeepSORT算法的多目标跟踪思想，将改进后的COF YOLO V8N网络的识别结果作为DeepSORT的输入，实现对油茶果的动态追踪与计数。

研究结果

1. 轻量化网络效果：使用SCCONV替换C2F模块后，模型的参数量和浮点运算量显著降低，同时检测精度有所提升。改进后的COF YOLO V8N网络在精确率、召回率和mAP上分别达到了97.7%、97%和99%，相比未改进的YOLO V8N分别提高了3.2、4.8和2.4个百分点。

2. MPDIOU效果：MPDIOU损失函数在验证集上的表现优于传统的CIOU、DIOU和EIOU，有效降低了类别损失。

3. 小目标检测效果：添加小目标检测层后，模型在严重遮挡情况下的检测精度显著提高，精确率、召回率和mAP分别提高了4.0、9.1和4.6个百分点。

4. 动态计数效果：结合DeepSORT算法，模型能够在动态输入条件下实现对油茶果的追踪与计数，表现出良好的鲁棒性。

结论与意义

本研究通过改进YOLO V8N网络，显著提高了油茶果在复杂环境下的检测精度，特别是在严重遮挡、近景色和小目标情况下的识别效果。改进后的COF YOLO V8N网络不仅具有较高的检测精度，还具备轻量化的特点，便于嵌入到边缘设备中，适用于自动化采收和果园产量估计等实际应用场景。此外，模型结合DeepSORT算法实现了动态计数功能，为果园物流分配提供了可靠的理论支持。

研究亮点

1. 高精度检测：改进后的COF YOLO V8N网络在精确率、召回率和mAP上均达到了较高水平，特别是在严重遮挡情况下的检测效果显著提升。
2. 轻量化设计：通过SCCONV模块的引入，模型在保持高精度的同时，显著降低了参数量和计算复杂度，便于边缘设备部署。
3. 动态计数功能：结合DeepSORT算法，模型实现了油茶果的动态追踪与计数，为果园产量估计和自动化采收提供了技术支持。

应用价值

该研究成果不仅为油茶果的自动化采收提供了技术支持，还可推广到其他类似作物的检测与计数中。此外，模型的轻量化设计使其能够嵌入到机器人手臂等边缘设备中，具有广泛的应用前景。