AI-Driven Autonomous Robot for Crop Monitoring and Precision Farming

方法

YOLOv8在PlantVillage数据集训练，配摄像头四轮机器人与ESP32

发现

模型测试集准确率达99.76%，但真实田间性能尚待验证，机器人集成仍处规划阶段。

机会点

数据集高精度与田间泛化差距大，可研究真实农田条件下的病害检测鲁棒性与多传感融合决策。

农业在粮食生产和经济增长中发挥着重要作用。然而，作物病害、土壤水分不当以及不断变化的天气条件会对作物健康产生负面影响，并降低农业生产力。在许多农业生产实践中，农民通过人工巡查来监测作物，这种方式耗时且可能延误病害检测。为应对这些挑战，本研究提出了一种低成本的地面农业机器人，将深度学习与环境监测相结合，以支持精准农业。该系统采用现有的基于YOLOv8的作物病害检测模型，并使用PlantVillage数据集进行训练和评估。该模型在当前测试集上报告的测试准确率为99.76%。然而，该结果基于数据集测试，仍需进一步评估以考察其在真实田间条件下的性能。计划采用配备摄像头的四轮移动机器人近距离拍摄植物图像，并由笔记本电脑处理图像并预测可能的作物病害。系统还将集成基于ESP32的传感器模块，用于监测土壤水分、空气温度、相对湿度、降雨量和水箱水位。采集的传感器读数和病害检测结果将显示在仪表板上，该仪表板将利用预定义规则提供基本建议。目前，机器学习模型已开发完成并使用植物图像进行了测试。机器人的构建、传感器与仪表板的集成以及在真实农业环境中的测试计划作为下一阶段的开发工作。该系统旨在为作物监测、病害早期识别和农业决策提供一种经济实惠且模块化的解决方案。