【技术实现步骤摘要】
本专利技术属于目标检测，特指一种基于改进yolov8的轻量化甘薯品质分级方法。
技术介绍
1、目前甘薯分级装置多数只能实现大小及重量分选，对缺陷甘薯的分选主要依靠工人手动筛选，劳动强度大、效率低、误判率高。
2、传统农业领域的目标检测技术对检测目标的特征显著性有很大要求，特征提取结果受环境等多种因素影响。同时，不同类型的农产品需要设计特定的特征提取方案，算法通用性差。近年来，随着计算机计算资源的提升及神经网络算法的深入研究，基于深度学习的目标检测方法逐渐应用于农业领域。为此学者们提出了很多应用于农业领域的改进目标检测方法，为农业智能化、自动化打下基础。但目前多数目标检测模型在用于甘薯检测时，无法同时满足既要模型轻量化、又要检测高精度的要求：检测精度高的模型参数量、计算量大，模型权重占用内存大，不利于模型的部署；轻量化的模型虽然便于部署，但检测精度有待提升，无法满足检测任务。
3、因此，为实现甘薯自动化分级分选，研究一种低成本的甘薯分级设备迫在眉睫，而开发高效、轻量的甘薯品质识别模块是相关分级设备的关键。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种基于改进yolov8的轻量化甘薯品质分级方法，在实现轻量化的同时能保证检测性能，实现甘薯品质分级。
2、本专利技术的目的可通过下列技术方案来实现：
3、一种基于改进yolov8的轻量化甘薯品质分级方法，包括以下步骤：
4、s1、甘薯等级标准的设计，将甘薯
5、s2、获取甘薯图像数据集，对图像进行数据增强并划分为训练集、验证集和测试集；
6、s3、首先将调整后的edgenext轻量化网络替换原yolov8s模型中的主干网络，然后使用scconv卷积改进c2f模块设计出c2fc模块，然后使用carafe轻量化算子替换原模型的上采样模块，最后基于focal loss和mpdiou提出focalc-mpdiou损失函数，替换原模型的损失函数，得到改进后的网络模型；
7、s4、使用训练集和验证集训练网络模型，并将测试集输入到训练后的模型中得到甘薯品质分级结果。
8、本分级方法基于yolov8模型改进而来，yolov8模型为ultralytics公司开发的，用于对象检测、图像分类和实例分割任务。具体yolov8模型的概述、原理和实现请参考《ultralytics yolov8文档》以及其他解析、详解文章进行了解，在此不过多的进行赘述。
9、进一步的，所述步骤s1中的甘薯等级包括特级、一级和二级，其中特级甘薯要求无腐烂病斑、无虫蚀、表皮完整、无机械损伤、无发芽情况；一级甘薯要求无腐烂病斑、无虫蚀、表皮较完整、允许有轻微的机械损伤或发芽情况；二级甘薯要求有腐烂病斑、有虫蚀、表皮不完整、有严重的机械损伤或发芽情况。
10、进一步的，所述步骤s2采用随机旋转、随机平移、随机翻转、随机剪裁、高斯噪声、改变亮度、cutout方法扩充增强数据集，按照8:1:1的比例将数据集划分为训练集、验证集、测试集。
11、进一步的，所述步骤s3具体步骤包括：
12、s31、在引入edgenext结构时，保留原yolov8主干网络中的c2f模块，并取消原edgenext结构中对空间位置编码的引入；
13、s32、使用scconv卷积改进c2f模块设计出c2fc模块，其中scconv模块包含空间重构单元(sru)与通道重构单元(cru)。sru首先进行特征分离，将空白特征图或信息含量少的特征图与含有大量重要信息的特征图分离，随后在空间维度进行特征重建，压缩冗余特征，节省空间。cru分为分裂、变换和融合三步，该模块可减少通道维度上的特征冗余提取，与sru互补，减少卷积过程中的特征冗余问题；
14、s33、使用carafe轻量化算子替换原模型的上采样模块，carafe由核预测模块和内容感知重组模块组成。其中核预测模块中由通道压缩器、内容编码器及核归一化器组成，通道压缩器可在一定范围内同时实现减少通道数量且不影响性能，因此carafe在参数量与计算量上有优势，内容编码器使carafe获得更大的感受野，核归一化器使用softmax进行归一化，内容感知重组模块将核预测模块得到的特征展开并与同一位置的输入特征相乘，最终得到输出特征图。内容感知模块输出的特征图比原特征图更加关注全局特征，因此具有更多语义信息；
15、s34、基于focal loss和mpdiou提出focalc-mpdiou损失函数，替换原模型的损失函数，mpdiou计算式如下：
16、lmdpiou＝1-mdpiou
17、
18、
19、
20、其中a、b为输入图像的宽度和高度，g、p分别为真实框、预测框，令(x_1^g，y_1^g)、(x_2^g，y_2^g)、(x_1^p，y_1^p)、(x_2^p，y_2^p)分别为g、p的左上及右下点坐标；
21、focalc-mpdiou计算式如下：
22、lfocalc-mpdiov＝iouα*γlmpdiou
23、
24、
25、其中γ表示用于控制曲线弧度的参数，n表示样本数量，m表示类别数量，σ(x)表示对输入逐个进行sigmoid变换，predscoresij表示预测得分，confidence表示所有类别的平均置信度。
26、进一步的，所述步骤s4的具体步骤包括：训练过程中batch大小为2-64，优化器使用随机梯度下降法(sgd)，权重衰减系数为0.0001-0.005，动量因子为0.9-0.95，初始学习率为0.01-0.02。优选的，训练过程中batch大小为4，优化器使用随机梯度下降法(sgd)，权重衰减系数为0.0005，动量因子为0.937，初始学习率为0.015，使用训练集和验证集训练网络模型，并将测试集输入到训练后的模型中得到甘薯品质分级结果。
27、基于上述，与现有技术相比，本专利技术具有以下有益效果：
28、1、本专利技术参考甘薯等级划分标准及甘薯加工应用，按照甘薯腐烂病斑、虫蚀、表皮完整、机械损伤、发芽情况等特征，将甘薯分为特级、一级和二级甘薯，拍摄并采用数据增强技术建立甘薯数据集，为甘薯品质分级算法研究和自动化分选设备提供数据支持。
29、2、本专利技术采用yolov8作为网络基础模型，将yolov8的主干网络替换为edgenext，该网络结构集cnn与视觉transformer模型的优点，在降低网络计算开销的同时可保持良好的精度。在引入该edgenext结构时，保留原yolov8主干网络中的c2f模块，并取消edgenext中对空间位置编码的引入。保留c2f模块可减少精度下降，而取消空间位置编码则可减少网络延迟。通过对c2fc模块进行scconv卷积，可减少普通卷积过程中特征冗余问题，实现模型进一步轻本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8的轻量化甘薯品质分级方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于改进YOLOv8的轻量化甘薯品质分级方法，其特征在于，所述步骤S1中甘薯等级包括特级、一级和二级，其中特级甘薯要求无腐烂病斑、无虫蚀、表皮完整、无机械损伤、无发芽情况；一级甘薯要求无腐烂病斑、无虫蚀、表皮较完整、允许有轻微的机械损伤或发芽情况；二级甘薯要求有腐烂病斑、有虫蚀、表皮不完整、有严重的机械损伤或发芽情况。
3.根据权利要求1所述的一种基于改进YOLOv8的轻量化甘薯品质分级方法，其特征在于，所述步骤S2采用随机旋转、随机平移、随机翻转、随机剪裁、高斯噪声、改变亮度、Cutout方法扩充增强数据集，按照8:1:1的比例将数据集划分为训练集、验证集、测试集。
4.根据权利要求1所述的一种基于改进YOLOv8的轻量化甘薯品质分级方法，其特征在于，所述步骤S3包括：
5.根据权利要求1所述的一种基于改进YOLOv8的轻量化甘薯品质分级方法，其特征在于，所述步骤S4训练过程中batch大小为2-64，优化器使用随机梯
...【技术特征摘要】
1.一种基于改进yolov8的轻量化甘薯品质分级方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov8的轻量化甘薯品质分级方法，其特征在于，所述步骤s1中甘薯等级包括特级、一级和二级，其中特级甘薯要求无腐烂病斑、无虫蚀、表皮完整、无机械损伤、无发芽情况；一级甘薯要求无腐烂病斑、无虫蚀、表皮较完整、允许有轻微的机械损伤或发芽情况；二级甘薯要求有腐烂病斑、有虫蚀、表皮不完整、有严重的机械损伤或发芽情况。
3.根据权利要求1所述的一种基于改进yolov8的轻量化甘薯品质分级方法，其特征在于，所述步骤s2采用随机旋转、随机平移、随机翻转、随机剪裁...
【专利技术属性】
技术研发人员：许程翔，赵明岩，翟晓东，林文捷，钱世炯，李浩，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。