【技术实现步骤摘要】
本专利技术涉及自动化农业，具体为一种基于改进yolov8的采摘机器人荔枝图像检测方法。
技术介绍
1、荔枝采摘是水果生产周期中最耗时和劳动密集型的环节，具有强烈的季节性、高劳动力强度和高昂的成本。为了降低生产成本，提高果农收入，开发适用于荔枝的智能采摘机器人显得尤为迫切。荔枝采摘的关键在于准确识别并定位果柄的采摘点，以避免果实受损。然而，在自然环境中，荔枝果柄采摘点的准确检测面临诸多挑战，如非荔枝主果枝的干扰、树叶或树枝的遮挡以及自然光照和背景因素变化对视觉识别的影响。因此，利用机器视觉对采摘点进行准确识别和定位是荔枝采摘机器人实现智能化操作的关键问题之一。
2、在自然环境中，荔枝果柄的采摘点准确检测的难点在于：存在非荔枝主果枝的干扰；树叶或树枝的遮挡；以及自然光照和背景因素变化对视觉识别的影响。
3、至今，已经有许多研究者为荔枝识别的视觉系统作出贡献，但研究中使用的主要方法是传统的图像处理方法，如颜色空间变换、阈值分割、聚类分割水果和主果枝，但这些方法只能处理简单背景、单簇荔枝水果和完全可见的主果枝。在自然环境中，这种方法容易受到光照变化、叶片遮挡等因素的影响，同时，荔枝簇的分布是随机的，捕获到的图像通常包含多簇荔枝果实，这些限制了传统图像处理方法在自然环境中的算法检测性能和鲁棒性。
4、随着深度卷积神经网络在物体识别的快速发展，一些研究人员将深度学习应用到荔枝的采摘识别中。
5、但是在实际使用时，仍存在一些困难和挑战，由于操作步骤较多，检测速度较低，而且在复杂多变的环境中，深度
技术实现思路
1、本专利技术的目的在于提供一种基于改进yolov8的采摘机器人荔枝图像检测方法，以解决操作步骤较多，检测速度较低，而且在复杂多变的环境中，深度学习与图像处理结合的方法鲁棒性较差的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于改进yolov8的采摘机器人荔枝图像检测方法，包括以下步骤：
3、s1、数据集采集及构建：在荔枝果园中，使用安装在机械臂上的摄像头采集荔枝图像数据，构建包含荔枝果实和采摘点标注信息的果园荔枝数据集；
4、s2、模型训练：基于步骤s1中的果园荔枝数据集，训练通过ise架构、gelan模块和rfahead检测头模块对yolov8-pose模型改进形成的yolov8-igr模型，实现荔枝果实和采摘点的同步识别；
5、所述ise架构结合卷积神经网络与空间注意力机制，提高模型对全局和局部特征的捕获能力；
6、所述gelan模块用于通过分割梯度流，实现更加丰富的梯度组合，减少模型计算量的同时提高性能；
7、所述rfahead检测头模块基于rfaconv设计，解决大卷积核参数共享问题，更有效地提取特征信息；
8、s3、特征提取与分类回归：将荔枝数据集输入到步骤s2中yolov8-igr特征提取网络进行特征提取，得到不同尺度的特征图，然后进行分类和回归操作，得到荔枝果实和采摘点的检测结果；
9、s4、检测结果分析与评价：利用已经划分好的数据集对测试集进行测试，以实现对果园荔枝的采摘关键点检测，并对yolov8-igr模型的检测效果进行评价。
10、优选的，所述步骤s1中采集的果园荔枝数据集包括不同品种、不同时间段以及不同拍摄角度的荔枝图像，涵盖荔枝在自然环境中的各种生长情况。
11、优选的，所述步骤s1中，采集到的图像保存为rgb图像，并划分为训练集、验证集和测试集。
12、优选的，所述步骤s2训练yolov8-igr模型中，还包括构建模型训练环境，具体为：
13、基于ubuntu系统和pytorch框架进行网络训练；
14、设置训练参数，包括批量大小、最大迭代次数、学习率、动量参数和权值衰减系数；
15、在非最大抑制处理后，根据置信度阈值筛选正样本和负样本。
16、优选的，所述步骤s4对yolov8-igr模型的检测效果进行评价中，采用消融实验和对比实验来验证yolov8-igr模型的性能，消融实验用于评估不同模块对模型性能的影响，对比实验用于将yolov8-igr模型与主流目标检测算法进行比较。
17、优选的，所述步骤s4对yolov8-igr模型的检测效果进行评价中，采用oks作为关键点的检测性能评估指标，以及利用像素欧几里得距离作为对采摘点位置预测误差的评估指标，对模型的检测效果进行评价。
18、与现有技术相比，本专利技术的有益效果是：
19、1、本专利技术通过提出ise架构，结合gelen和rfahead检测头模块，对yolov8-pose模型进行改进形成yolov8-igr模型，实现了荔枝果实与采摘点的同步识别，显著提升了荔枝果实与采摘点的同步检测精度和效率，从而解决了多步操作检测速度慢、难以应对复杂多变环境的问题。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv8的采摘机器人荔枝图像检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进YOLOv8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤S1中采集的果园荔枝数据集包括不同品种、不同时间段以及不同拍摄角度的荔枝图像，涵盖荔枝在自然环境中的各种生长情况。
3.根据权利要求1所述的一种基于改进YOLOv8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤S1中，采集到的图像保存为RGB图像，并划分为训练集、验证集和测试集。
4.根据权利要求1所述的一种基于改进YOLOv8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤S2训练YOLOv8-iGR模型中，还包括构建模型训练环境，具体为：
5.根据权利要求1所述的一种基于改进YOLOv8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤S4对YOLOv8-iGR模型的检测效果进行评价中，采用消融实验和对比实验来验证YOLOv8-iGR模型的性能，消融实验用于评估不同模块对模型性能的影响，对比实验用于将YOLOv8-iGR模型与主流目标检测算法
6.根据权利要求1所述的一种基于改进YOLOv8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤S4对YOLOv8-iGR模型的检测效果进行评价中，采用OKS作为关键点的检测性能评估指标，以及利用像素欧几里得距离作为对采摘点位置预测误差的评估指标，对模型的检测效果进行评价。
...【技术特征摘要】
1.一种基于改进yolov8的采摘机器人荔枝图像检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤s1中采集的果园荔枝数据集包括不同品种、不同时间段以及不同拍摄角度的荔枝图像，涵盖荔枝在自然环境中的各种生长情况。
3.根据权利要求1所述的一种基于改进yolov8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤s1中，采集到的图像保存为rgb图像，并划分为训练集、验证集和测试集。
4.根据权利要求1所述的一种基于改进yolov8的采摘机器人荔枝图像检测方法，其特征在于：所述步骤s2训练yolov8-igr模型中，还包括构...
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。