摘要：针对传统的植物病害检测方法依赖专家的经验，耗时耗力，并且准确性受限于个人的水平等问题。文中提出无线通信模块采用HTTP协议来传输数据图片，采用SoC核心处理器实现了便携化，采用对射式红外避障传感器实现自动避障功能。以YOLOv8算法为控制核心，并添加注意力机制以提高病害监测的准确性。可以自动寻导，并实现长时间的病害监测，实时传输病害分析结果。使得植物的病害可以准确并及时发现，实现早预防，避免不必要的损失。

关键词：智能植物监测； YOLOv8算法；注意力机制；SoC核心处理器

传统依赖人工经验和视觉判断的病害识别方法，在面对大规模、高效率的检测需求时显得力不从心。为此，研发植物病害检验机器人，借助深度学习这一人工智能领域的强大工具，成为了提升粮食质量和安全性的关键举措。深度学习模型凭借其卓越的特征提取与模式识别能力，能够从海量图像数据中自动学习并提取有效信息，为植物病害的高效、准确检测开辟了新路径。

植物生长过程中常遭多种病害侵扰，严重影响粮食产量与质量，给农户带来经济损失。鉴于传统病害防治方法存在的效率低下、误诊率高等问题，植物病害智能检测机器人的研发显得尤为迫切和重要。鉴于此，设计基于YOLOv8的智能植物监测机器人，此类机器人能够实现24小时不间断监测，精准预警病害，显著提升检测效率，降低对人工的依赖，进而减少生产成本，提高农业生产效益。它们不仅减轻了农业劳动力的负担，还通过精准识别与分类病害，为农户提供可靠的病害信息，助力病害防治的科学决策。

1       系统概述

在机器人硬件设计上，主控模块选择了SoC核心处理器，摄像头实时捕捉植物图像，并通过图像处理单元进行必要的预处理后，发送给SoC处理器。SoC利用内置的GPU运行YOLOv8+CBAM深度学习模型，对图像中的植物病害进行识别和分类。识别结果经过处理和分析后，指导机器人的后续动作（如记录病害信息、给出处理建议等），并通过Wi-Fi模块传输给远程用户或系统。本作品还将先进的深度学习技术YOLOv8与注意力机制CBAM相结合，共同应用于植物病害智能检测领域。通过这一创新设计，实现一种能够自主识别植物病害并给出相应处理建议的机器人。通过引入CBAM注意力机制，进一步提升了模型对植物病害特征的关注度和识别准确性，从而为生产提供更为智能化、高效化的技术支持，助力提高粮食的产量和质量。

2   智能监测机器人设计

2.2 硬件设计

2.2.1  核心SoC处理器 

在植物智能检测机器人中，选用集成度高、性能卓越的STM32F103RCT6 SoC核心处理器作为主控芯片。不仅提供了强大的计算能力，还实现了硬件与软件的深度融合。这种设计使得图像采集、处理、分析和决策等流程能够无缝衔接，提高了整体系统的运行效率和稳定性。通过内置的GPU，SoC能够迅速处理复杂的图像识别任务，实现病害检