农业机械学报

作者：刘艺豪，周名扬，陈度，张亚伟，王新

单位：中国农业大学,中国农业大学,智能农业动力装备全国重点实验室,中国农业大学,中国农业大学,

关键词：烟叶成熟度;复杂环境;自适应Gamma校正;视觉显著性;深度学习

基金：中国农业大学横向课题项目(202405410711069)

自然环境中烟叶成熟度不同步的特性对选择性采摘提出了挑战，现有的烟叶成熟度判别算法在复杂光照条件下鲁棒性不足，且未能有效平衡轻量化程度和分类精度。本研究提出一种融合视觉显著性算法与自适应光照校正的深度学习方法，以实现田间烟叶成熟度的精准判别。使用经过轻量化的YOLO v8n检测图像中的烟叶区域；其次，对检测出的烟叶区域使用自适应Gamma校正，减少光照变化对成熟度判别的影响；利用改进的视觉显著性算法生成烟叶的显著性图；利用改进MobileNetV2网络对烟叶成熟度等级进行判别。试验结果表明，轻量化后的YOLO v8n检测模型内存占用量为原模型的29%，平均精度均值达94.8%。在输入图像为RGB三通道时所提方法的判别准确率为91.93%，加入显著性增强算法后，准确率达到95.07%，比目前最好的分类模型(MobileNetV3Large)高2.03个百分点。加入自适应Gamma校正算法后，高光照情况下烟叶图像信息熵提升7.5%。结果证明了所提出的自适应Gamma校正与显著性增强结合的烟叶成熟度判别方法的有效性，可为烟叶采摘机器人提供技术支持。

来源：2025年第7期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第7期