南方农业学报

作者：林煜, 黄启厅, 冯跃华, 何新洁, 马灿达, 苏秋群, 林垚君,

关键词：甘蔗, 缺苗率, 目标检测, 作物行识别, YOLOv8模型,

【目的】 提高蔗田缺苗信息自动获取的自动化程度及精准度，为实现地块单元的蔗田缺苗位置信息自动化获取提供借鉴。【方法】 通过无人机采集研究区蔗田影像并建立数据集，利用YOLOv8模型对蔗苗进行检测识别，识别结果经矢量化、旋转变换及聚类处理，获取精确的作物行数和株距信息，并通过制作田间无缺苗理想情形下的蔗苗分布图和实际缺苗位置点矢量点分布图，以评估蔗田的整体缺苗情况。【结果】 YOLOv8模型识别蔗苗的准确率为98.84%，召回率为90.76%，平均精度为97.05%。即使在杂草分布较多的环境中，杂草遮挡会混淆蔗苗的视觉特征而增加检测难度，YOLOv8模型也能较准确地识别出蔗苗。将蔗苗识别结果进行矢量化，采用空间分析的后处理方法实现作物行自动旋转至竖直方向，再通过聚类处理、交叉点计算、坐标转换等手段实现作物行数量、方向、行距及起点和终点的准确获取，有效解决了不同地块间及同一地块内部的作物行状况差异问题。在研究区的2个大面积地块中随机划定形态、方位和面积各异的8个样方（A～H），基于无缺苗情形的蔗苗标准分布模板分别计算8个样方的缺苗率，结果显示缺苗检测模型的误差分别为4.35%、2.98%、4.28%、2.91%、1.88%、0.51%、1.10%和1.51%。此外，根据缺苗检测模型结果可获取各样方的缺苗位置坐标。【结论】 基于YOLOv8模型的自动化蔗苗检测与缺苗率计算方法可快速、高效地处理大量图像数据，具有较高的自动化程度与精度，适用于大范围的蔗田缺苗检测，且能提供具体的缺苗坐标。后续研究建议通过多尺度检测提升模型召回率，采用滑动窗口裁剪图像进行数据标注而降低漏检问题，并扩充数据集以提高模型的泛化能力和鲁棒性，有效提升蔗田缺苗检测结果的稳定性和准确性。

来源：2025年第1期

《南方农业学报》期刊编辑部

查看南方农业学报杂志2025年第1期