基于改进YOLOv8的甘蔗茎节检测模型及其在边缘设备上的部署研究

为解决甘蔗田间复杂环境下茎节检测精度不足的问题，研究人员开发了基于改进YOLOv8的检测模型，集成BRA（Bi-level Routing Attention）、SPD-Conv和ASFF（Adaptive Spatial Feature Fusion）模块，构建了包含9623张图像的SSND数据集。模型在测试集上达到96.8%的精确度（P）和98.6%的mAP@0.5，参数量仅4.08M，并成功部署于NVIDIA Jetson TX 2边缘设备，为甘蔗智能收割提供了高效技术方案。

　　

甘蔗作为全球重要的经济作物和制糖原料，其机械化收割面临严峻挑战。传统人工收割效率低下且成本高昂，而现有机械收割设备在复杂田间环境下——如甘蔗茎节被叶片遮挡、光照条件多变或茎节形态模糊时——往往难以精准识别切割位点。尽管深度学习技术已在农业检测领域取得进展，但甘蔗茎节检测仍存在三大瓶颈：图像质量受田间复杂光照干扰、密集种植导致的遮挡问题，以及茎节目标像素占比过小引发的漏检。

针对这些挑战，Wenzhi Li等人在《Smart Agricultural Technology》发表研究，提出了一种改进的YOLOv8模型。团队首先构建了覆盖多角度、多生长阶段和气象条件的甘蔗茎节数据集SSND（Sugarcane Stalk Node Dataset），包含9623张标注图像。模型创新性地引入BRA模块通过双层路由注意力机制抑制背景干扰，采用SPD-Conv替代传统卷积以增强小目标检测能力，并利用ASFF模块优化多尺度特征融合。关键技术还包括基于Labelimg的精细标注、NVIDIA Jetson TX 2边缘设备部署验证，以及Grad-CAM可视化分析注意力分布。

研究结果显示，改进模型在测试集上取得显著优势：精确度（P）达96.8%，召回率（R）94.1%，mAP@0.5高达98.6%，较原YOLOv8n提升1.4%。模型轻量化表现突出，参数量4.08M，体积仅8.1MB，推理速度达66 FPS。通过热力图对比证实，BRA模块使模型注意力更集中于茎节区域；SPD-Conv模块将小目标检测mAP提升0.7%；ASFF则有效解决了多尺度特征冲突问题。在边缘设备部署测试中，系统成功实现实时茎节检测，单帧处理时间<20ms。

该研究为甘蔗智能收割机器人提供了可靠的技术支持。其创新性体现在：首次将BRA模块应用于农业目标检测，解决了茎节与背景相似导致的误检；SPD-Conv的引入为农业低分辨率图像处理提供了新思路；轻量化设计使模型在资源受限的田间设备中具备实用价值。未来研究可进一步优化模型在极端光照下的鲁棒性，并探索与收割机械的闭环控制系统集成。这项工作不仅推动了甘蔗收割自动化进程，也为其他农作物智能检测提供了可借鉴的技术框架。