智能农业设备在复杂场景中如何高效识别行人？

在农业机械化快速发展的今天，随着自动驾驶拖拉机、无人机等设备的广泛应用，实时精准识别农田中的行人，避免机械与人的碰撞，成为保障生产效率与人身安全的核心需求。然而，现有算法在复杂农田场景中常面临光照多变、目标密集、遮挡频繁等问题，导致检测精度不足。那么如何让智能设备在低分辨率图像和小目标密集的场景中，依然能够高效识别行人呢？ 

湖南农业大学李燕飞副教授团队在《农业科学与工程前沿》（英文）发表的一项研究（DOI: 10.15302/J-FASE-2025613），为这一问题提供了创新的解决方案。

本研究基于当前广泛应用的YOLOv8n模型，提出了一种名为“YOLOv8n-SS”的改进算法，重点解决了传统模型在农田复杂环境下检测性能不足的痛点。研究通过两项关键技术革新提升模型能力：一是引入“空间金字塔扩张卷积（SPD-Conv）”模块，二是集成“选择性核注意力机制（SK）”。传统的卷积神经网络在处理低分辨率图像时，常因步长卷积和池化操作造成细节信息的丢失，而SPD-Conv通过将图像空间信息重组为深度特征，显著减少了信息的损失，尤其是提升了小目标（如远处或部分遮挡的行人）的识别精度。此外，SK注意力机制能够动态选择不同尺度的卷积核，同时通过自适应增强关键区域的特征，使模型在密集人群或遮挡场景中更精准地定位目标。

实验数据显示，改进后的算法在公开数据集CrowdHuman上，检测平均精度（mAP）较原模型提升了7.2%，在真实农田场景中提升达7.6%。例如，在光线昏暗的农田环境中，原模型可能会漏检部分行人，而YOLOv8n-SS能准确识别全部目标；面对密集人群时，新算法的误检率显著降低，能够有效区分行李、机械等干扰物与真实行人。研究团队还指出，该模型在保持较高实时性的同时，仅需中等计算资源，因此适合部署于算力有限的农业设备中。

这项技术的突破不仅为农业机械的智能化升级提供了可靠工具，也为智慧农场的安全管理开辟了新路径。通过精准监控农田人员动态，系统可及时预警潜在的碰撞风险，甚至自动暂停机械的运作，从而减少事故发生率。未来的研究将进一步优化算法轻量化设计，并探索结合目标的跟踪技术，实现行人行为分析与长期监控，推动农业从“机械化”向“人机协同智能化”的转型。