【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种基于改进yolov8模型的草莓形状判别方法。
技术介绍
1、随着我国草莓设施产业向智能化方向发展，图像处理和深度学习技术开始广泛应用于草莓生长状态监测、自动采摘、疏花蔬果等检测任务中。当前，随着人们生活品质的不断提高，对草莓形态、颜色、口感等提出了更高的要求。草莓形状是草莓的关键特征，对草莓采摘机器人智能化分级具有重要意义。
2、梁敖提出了一种基于改进yolov5s的草莓成熟度实时检测算法，通过引入simota匹配算法、se注意力机制和c3模块，提升了模型的特征提取能力和轻量化程度。吴仁愿提出了一种基于改进yolov7的高垄草莓成熟度实时检测方法，通过采用shufflenetv2主干特征提取网络，并结合cmam注意力机制模块，所用方法能够提升草莓成熟度的识别精度。姜业帆针对复杂环境下的草莓成熟度检测技术进行研究，通过引入部分卷积模块和自注意力机制来提升模型的特征表达能力，并采用inner-iou损失函数提升模型的收敛速度，所用方法能够在嵌入式设备上实现草莓成熟度的快速准确识别。陈仁凡针对草莓成熟度轻量化检测方法进行研究，采用多路特征融合策略提升模型的非线性表达能力。
3、综上所述，现有草莓目标检测主要问题在于：当前草莓目标检测多集中在成熟度检测上，对草莓形状检测研究较少，且相关算法模型对复杂环境的目标检测问题适应性不强。
技术实现思路
1、专利技术目的：本专利技术的目的在于提供一种基于改进yolov8模型的草莓形状判别方法
2、技术方案：为实现上述目的，本专利技术提供如下技术方案：
3、一种基于改进yolov8模型的草莓形状判别方法，其特征在于，包括以下步骤：
4、s1、通过采集设备获取不同角度、不同距离和不同光线强度下采集的图像，构建草莓数据集。
5、s2、对数据集进行预处理，包括数据标注、数据增强，并将数据按照一定比例划分为训练集、验证集和测试集。
6、s3、构建基于卷积神经网络的草莓形状判别模型，包括对原始的yolov8模型进行改进，所述改进包括：
7、1)以yolov8为基础模型，将主干网络中的c2f模块替换为基于轻量化卷积pconv的csp结构，以提升模型的特征表达能力。
8、2)在颈部网络中将c2f模块替换为融合ema注意力机制和irmb倒置残差结构的iema注意力机制模块。
9、3)在头部网络部分，引入dyhead检测头模块。
10、s4、利用数据集对改进yolov8网络模型进行训练。
11、s5、对改进yolov8网络进行模型评估；
12、s6、对草莓形状进行在线判别。
13、进一步地，步骤s1中构建草莓数据集的步骤包括：
14、1)所述采集设备包括控制器和相机，控制器选用工业控制计算机，相机选用usb彩色相机。
15、2)草莓图像采集。包括在草莓种植大棚中采集不同光照条件下的样本数据，要求能够覆盖草莓遮挡、重叠等情况。
16、进一步地，步骤s2中数据预处理步骤包括：
17、1)数据标注。采用labelimg软件，考虑到草莓不同类型样本数量的分布情况，将草莓形状划分为5种类型，分别为圆锥形、纺锤形、楔形、其他形和不可摘类型，其中没有成熟的草莓标注为不可摘类型，其余的几种类型均为成熟草莓。在草莓的形状分类中，其他形包括已分类型之外的所有其他形状的成熟草莓，除此之外，还包括草莓因为重叠、遮挡等无法准确判断草莓形状的情况。
18、2)数据增强。通过对图像进行翻转、旋转、缩放、裁剪、颜色变换、mosaic等方法，丰富数据集。
19、进一步地，步骤s3中，yolov8网络模型主要包括主干网络、颈部网络和头部网络三部分，模型改进步骤包括：
20、1)以yolov8为基础模型，将主干网络中的c2f模块替换为基于轻量化卷积pconv的csp结构，以提升模型的特征表达能力。pconv通过选择性地对通道子集执行卷积，能够显著降低模型的计算复杂度。通过将c2f模块中bottleneck结构中的普通卷积替换为pconv卷积，在降低模型计算量的同时，通过跨阶段的特征融合来增强不同层级特征之间的交互，有利于提升模型的效率和特征提取能力。
21、2)在颈部网络中将c2f模块替换为融合ema注意力机制和irmb倒置残差结构的iema注意力机制模块。在iema模块中，将输入特征进行分组处理，并形成两个分支的处理流程。一个分支将x维度和y维度的全局平均池化进行堆叠后进行sigmoid激活操作，并在此基础上进行归一化。另外一个通道通过irmb模块进行注意力增强，并分别进行平均池化和softmax转换。将两个分支的处理结果通过乘法聚合，实现跨通道的数据交互，提升结构的特征表达能力。
22、3)在头部网络部分，引入dyhead动态检测头模块。dyhead采用动态卷积和特征聚合方法，通过在特征层级之间应用自我注意力机制，帮助模型更好地识别不同大小的对象。检测头部分通过连续应用3种注意力机制得到增强，在检测层上，dyhead检测头的注意力函数可表示为：
23、w(f)＝pc(ps(pl(f)创f)f)(i)；
24、其中πl为尺度感知注意力，πs为空间感知注意力，πc为任务感知注意力。
25、进一步地，步骤s4中，模型在训练中采用迁移学习法，训练中配置为自动选择最优优化器模式，并开启混合精度训练以提高训练效率和性能。
26、进一步地，步骤s5中，模型测试评估指标包括精确度、召回率、ap和map等。精确度标准表示所有判定为正样本的数据集中实际为正样本的比例，召回率是指实际为正样本的数据集中最终被判定为正本的比例。ap是衡量精确度和召回率的综合评价指标，map是各类别的ap均值，以下为计算公式：
27、
28、其中tp为数据集中目标实际为正样本的情况，fp为负样本数据被错误判定为正样本的情况，fn为正样本数据被错误判定为负样本的情况。
29、进一步地，步骤s6中，将构建的草莓形状检测模型部署于工控机系统中，并结合训练得到的权重参数进行草莓形状的在线采集和判别。
30、有益效果：本专利技术公开的一种基于改进yolov8模型的草莓形状判别方法，基于现有的yolov8网络模型，引入了基于轻量化卷积pconv的csp结构，提升了主干网络的特征表达能力。通过在颈部网络中将c2f模块替换为融合ema注意力机制和irmb倒置残差结构的注意力机制模块，提升了网络对多尺寸目标的检测能力；通过在头部网络部分引入dyhead检测头模块提升了模型的泛化能力。本专利技术能够实现草莓形状的实时高精度判别，对实现草莓自动化采摘和智能化监测具有重要意义。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv8模型的草莓形状判别方法，其特征在于，包括以下步骤：
2.根据权力1所述的一种基于改进YOLOv8模型的草莓形状判别方法，其特征在于：步骤S1中构建草莓数据集的步骤包括：
3.根据权力1所述的一种基于改进YOLOv8模型的草莓形状判别方法，其特征在于，步骤S2中数据预处理步骤包括：
4.根据权力1所述的一种基于改进YOLOv8模型的草莓形状判别方法，其特征在于：步骤S3中，模型改进步骤包括：
5.根据权力1所述的一种基于改进YOLOv8模型的草莓形状判别方法，其特征在于：步骤S4中，模型在训练中采用迁移学习法，训练中配置为自动选择最优优化器模式，并开启混合精度训练以提高训练效率和性能。
6.根据权力1所述的一种基于改进YOLOv8模型的草莓形状判别方法，其特征在于：步骤S5中，模型测试评估指标包括精确度、召回率、AP和mAP等。精确度标准表示所有判定为正样本的数据集中实际为正样本的比例，召回率是指实际为正样本的数据集中最终被判定为正本的比例。AP是衡量精确度和召回率的综合评价指标，mAP是各类别
7.根据权力1所述的一种基于改进YOLOv8模型的草莓形状判别方法，其特征在于：步骤S6中，将构建的草莓形状检测模型部署于工控机系统中，并结合训练得到的权重参数进行草莓形状的在线采集和判别。
...【技术特征摘要】
1.一种基于改进yolov8模型的草莓形状判别方法，其特征在于，包括以下步骤：
2.根据权力1所述的一种基于改进yolov8模型的草莓形状判别方法，其特征在于：步骤s1中构建草莓数据集的步骤包括：
3.根据权力1所述的一种基于改进yolov8模型的草莓形状判别方法，其特征在于，步骤s2中数据预处理步骤包括：
4.根据权力1所述的一种基于改进yolov8模型的草莓形状判别方法，其特征在于：步骤s3中，模型改进步骤包括：
5.根据权力1所述的一种基于改进yolov8模型的草莓形状判别方法，其特征在于：步骤s4中，模型在训练中采用迁移学习法，训练中配置为自动选择最优...
【专利技术属性】
技术研发人员：崔明，徐正阳，宋雍，时敬业，王柏生，
申请(专利权)人：江苏农林职业技术学院，
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。