作品展示

传统的草莓产量预估方法完全依赖于人工计数。草莓体积小，数量多，种植面积广且草莓生长在地表，故传统草莓估产方法具有执行困难，成本高，精度低，耗时长等缺点。 针对上述问题，本团队研发了一种基于改进 YOLOv8 的草莓视觉检测和估产装置，用于草莓田间的智能化管理。该装置集成了驱动系统，图像采集系统和数据处理系统，满足了装置在田间运动的同时采集图像并对图像中的草莓进行检测和计数的需求。其中，数据处理系统为嵌入式 EPC-S101 迷你工控机，移植了改进的YOLOv8 网络，网络中采用了图像融合和图像遮掩相结合的方法对数据集进行数据增强，引入 count_obj 函数并将原 CIoU 损失函数更改为 Alpha-IoU 损失函数，同时将 FasterNet 与 YOLOv8 网络深度融合，使网络具有鲁棒性高，泛化性强的特点。

1. 搭建了一个能够实现深度相机在草莓园中移动拍摄的平台，利用其搭载的深度相机对草莓进行实时拍摄，工控机接收到草莓图像后，对图像进行检测和计数并将检测结果传到 PC 端。 2. 将 YOLOv8 网络原有的 CIoU 损失函数优化为 Alpha-IoU 损失函数，从而增加网络对草莓目标的检测精度。 3. 将 FasterNet 与 YOLOv8 网络深度融合，打造更快的检测网络，为实时检测提供了一定的保障。

为解决传统草莓估产方法执行困难，成本高，精度低，耗时长等一系列问题。本装置提供了一种基于改进YOLOv8 的草莓视觉检测和估产装置： 1.搭建了一个能够实现相机在草莓园中移动拍摄的平台，在草莓园中，驱动系统通过四个竞赛级麦克纳姆轮带动相机支架上固定的图像采集系统在草莓园中进行视频采集，采集到的实时草莓视频被传送到中控机中，通过移植的YOLOv8对数据进行数据增强并检测和计数图像中的草莓，最后将得到的检测结果传到PC端。 2.在YOLOv8网络的基础上引入conut_obj函数，实现装置对草莓目标自动计数的功能。 3.将YOLOv8网络原有的CIoU损失函数优化为Alpha-IoU损失函数，增加网络对草莓目标的检测精度。 4.将FasterNet与YOLOv8网络深度融合，打造更快的检测网络，为实时检测提供了一定的保障。 5.将YOLOv8算法进行优化，实现在跟踪检测草莓的同时对草莓ID进行自动统计。 6.基于Pycharm操作平台，利用Python脚本对采集的草莓数据进行图像融合和图像遮掩相结合的数据增强方式。

1.产品性价比高：装置结构简单，价格较低，驱动装置中4WD独立平衡悬挂结构的使用大大提高了使用年数并且不增加建设成本。 2.效率高，鲁棒性高：经改进后的YOLOv8网络对草莓检测和估产的效率大幅度提高。 3.实现智慧农业：实现了草莓田间的自动化管理。为田间管理的智能化，高效化提供了新的动力和可能。 4.应用范围广：通过迁移学习，将草莓的预训练模型移植到另一种农产品中，帮助新模型进行训练，从而实现草莓视觉检测和估产装置对其他农作物的检测和计数。