基于机器视觉的番茄病虫害巡检机器人研究
摘要
番茄作为全球产量最高的蔬菜作物，其种植过程深受病虫害困扰，传统人工巡检方式效率低、主观性强，难以满足大规模设施农业的监测需求。本文设计并实现了一套基于机器视觉的番茄病虫害巡检机器人系统，融合自主导航与深度学习检测技术。系统采用ROS 2作为机器人操作系统框架，集成激光雷达SLAM实现温室环境建图与自主导航，通过多目视觉系统采集番茄叶片图像，利用改进的YOLOv8算法进行病虫害目标检测。针对温室环境下光照复杂、叶片重叠等挑战，在YOLOv8基础上引入CBAM注意力机制和BiFPN加权双向特征金字塔，提升小目标病害的检测精度。实验结果表明，改进后的模型mAP达到92.7%，单张图像推理时间33.6ms，满足实时巡检要求。本文完整呈现了从机器人平台搭建、数据集构建、模型训练到图形界面开发的全部技术细节，并提供了核心代码实现与详细解释，为智慧农业中的病虫害自动化监测提供了可复现的技术方案。
关键词：机器视觉；巡检机器人；番茄病虫害检测；YOLOv8；ROS 2；注意力机制
1. 引言
1.1 研究背景与意义
根据联合国粮农组织（FAO）统计，全球每年因病虫害造成的农作物经济损失高达数千亿美元。番茄作为全球最重要的蔬菜作物之一，2023年全球产量达到约1.92亿吨，位居蔬菜作物产量首位。然而，番茄生长过程中极易受到早疫病、晚疫病、白粉病、叶霉病等多种病害侵袭，以及蚜虫、粉虱等虫害威胁。传统的人工巡检方式依赖农业技术人员的田间调查，存在效率低下、成本高昂、主观性
