基于YOLOv8n-SCL的烟草垄间导航路径实时识别方法OA

针对采收期烟草垄间因烟叶密集遮挡、光照多变等问题导致导航路径识别困难、识别精度低的问题,提出了一种烟草垄间场景的目标检测与语义分割算法模型YOLOv8n-SCL,以实现烟草垄间导航路径的精准识别与实时提取。首先,在YOLOv8n主干网络中引入StarNet网络模型架构,利用其星号操作的隐式高维特征映射能力,在相对轻量的网络结构下实现了较高的识别精度;然后,在颈部网络中使用C2f-Star模块替换原始C2f模块,通过逐元素相乘操作增强了模型对多尺度特征的感知能力,提高了掩膜的鲁棒性和特征表达的连续性;最后,使用轻量级共享卷积检测头(Lightweight Shared Convolutional Detection Head,LSCD)替换原有的3个基础分割头,在降低模型复杂度的同时增强了模型对弱边缘和裸露垄线的敏感度与分割精度,实现了检测与分割任务的高效协同。试验结果表明,改进后的模型检测准确率、召回率、平均精度为98.1%、98.3%、99.5%,相比YOLOv8n-seg基线模型分别提升2.4、6.0、6.9个百分点,分割准确率、召回率、平均精度分别提升了2.5、7.3、6.2个百分点;与Mask R-CNN、SOLOv2、FCN-8s-VGG16、U-Net-ResNet18和YOLOv8n-seg算法相比,平均精度分别提升了14.3、18.6、6.0、7.9、6.2个百分点。改进后的模型在保证识别精度的前提下提高了检测与分割的实时性与鲁棒性,可为高秆作物垄间自动导航方法的研究提供技术支持。