基于深度学习的茶叶嫩芽目标检测研究.pdfVIP

摘要

茶叶最佳的采摘季节为春季，其产生的经济价值为最高。目前，茶叶嫩芽的收获

方式主要以人工采摘主和机械化采摘为辅，由于茶叶时令性较强，人工采摘耗费大量

的工时，且成本较高。机械化采摘缺乏选择性，新老叶一刀切，提高茶叶采摘的效率，

但影响了茶叶采摘的品质。在智能化茶叶采摘设备的发展过程中，要想实现在智能化

采摘，首先要在复杂的环境下检测出茶叶嫩芽，由于茶叶嫩芽的体积小，如今的图像

技术对小目标检测的精度并不高。如何实现在复杂环境下检测出茶叶嫩芽，提高准确

率是关键的问题。本研究针对上述问题将基于深度学习的目标检测应用在茶叶嫩芽检

测，提出一种改进的茶叶嫩芽检测模型，并将模型部署在低成本的边缘设备上。本研

究的主要内容包括以下方面：

（1）本研究构建了在自然环境下生长的茶叶嫩芽自制数据集，以重庆市万州区

江南茶厂的福鼎白茶作为研究对象，进行人工采集。共采集7435张原始茶叶嫩芽图

像，筛选出5325张作为数据集标注的原始图像。使用Lableimg标注工具对原始图像

进行标注出茶叶嫩芽的独芽、一叶一芽、两叶一芽，以YOLO格式进行保存，将标注

完的数据集按照7：2：1的比例划分出训练集、验证集、测试集，完成了数据集的制

作。

（2）提出了一种基于改进YOLOv8目标检测算法的茶叶嫩芽检测模型。本研究

对YOLOv8进行了改进，包括引入Inner-IoU损失函数加速模型的收敛，提出了改进

的SOEP特征金字塔结构，优化小目标检测效果，以及在C2f中引入PPA并行感知

注意力模块，提高了复杂场景下的特征表达能力。引入CAFM特征融合层，进行将

降噪。试验结果表明，改进的YOLOv8在茶叶嫩芽检测中的精确度、召回率、50

分别达到78%、68%、77.8%，均优于YOLOv3-tiny、YOLOv5n、YOLOv7-tiny、

YOLOv10n、YOLOv11等目标检测模型。此外，与原始模型YOLOv8n相比，改进后

的模型在茶叶嫩芽检测中的精确度、召回率、0.5分别提高了1.8%、0.7%、1.3%。

（3）为验证改进后模型的有效性和适用性，本研究将改进的TS-YOLOv8茶叶

嫩芽检测模型在低算力的边缘设备NVIDIAJetsonOrinNano平台上部署，结合

RealsenseD435i深度相机实现了茶叶嫩芽的检测。同时基于PYQT5框架设计了茶叶

嫩芽检测可视化应用程序，用户可以根据不同的需求对茶叶嫩芽进行检测，并对检测

到的结果进行可视化。

关键词：深度学习；茶叶嫩芽；目标检测；YOLOv8

Abstract

Theoptimalseasonforteaharvestingisspring,duringwhichits

economicvalueisthehighest.Currently,teabudharvestingmainlyrelies

onmanualpicking,withmechanicalharvestingasasupplementarymethod.

However,duetothestrongseasonalityoftealeaves,manualpickingis

labor-intensiveandcostly.Whilemechanicalharvestingimproves

efficiency,itlacksselectivity,cuttingbothnewandoldleaves

indiscriminately,therebycompromisingthequalityofharvestedtea.In

thedevelopmentofintelligentteaharvestingequipment,achieving

automatedharvestingfirstrequirestheabilitytodetectteabudsin

complexenvironments.However,dueto