基于改进YOLO v8n网络的番茄成熟度实时检测算法 被引量：6

1

作者 任晶秋 万恩晗 +2 位作者 单蜜 张光华 卢为党 《农业机械学报》 北大核心 2025年第3期374-382,450,共10页

为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO... 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。 展开更多

关键词 番茄成熟度 目标检测 YOLO v8n 注意力模块 轻量化 Jetson Nano

在线阅读 下载PDF 职称材料

基于改进EB-YOLO-v8n的耗能梁损伤识别

2

作者 于海丰 曹坤 +5 位作者 苏佶智 张辉杰 方斌 王奇智 位翠霞 岳宏亮 《河北科技大学学报》 北大核心 2025年第5期542-552,共11页

为对震后耗能梁段损伤状态进行准确、快速评估,在YOLO-v8n模型的基础上,加入高效多尺度注意力模块(efficient multi-scale attention,EMA)和加权双向特征金字塔结构(bidirectional feaure pyramid network,BiFPN),提出了EB-YOLO-v8n耗... 为对震后耗能梁段损伤状态进行准确、快速评估,在YOLO-v8n模型的基础上,加入高效多尺度注意力模块(efficient multi-scale attention,EMA)和加权双向特征金字塔结构(bidirectional feaure pyramid network,BiFPN),提出了EB-YOLO-v8n耗能梁段损伤识别模型。首先,设计并完成9个不同参数的耗能拟静力试验,采用图像拍摄设备记录不同破坏程度下的结构局部损伤情况,汇总成数据集;其次,为保证数据集质量,采用Mosaic+Fliplr数据增强技术对输入数据进行增强处理,共得到2612张图像作为数据集;再次,对数据集中的各种损伤进行标注并输入到模型中进行训练;最后,对相关创新模块进行消融实验,分析了每一个改进模块的有效性。结果表明:EB-YOLO-v8n模型的平均精度值均高于文中提到的其他模型,模型在参数量基本不变的情况下具有更强的鲁棒性;此外,根据消融实验结果可以得出,EB-YOLO-v8n模型的平均精度值分别高于E-YOLO-v8n(引入EMA)、B-YOLO-v8n(将特征金字塔网络(feature pyramid networks,FPN)中的路径聚合网络结构(path aggregation network,PAN)替换为BiFPN)1.2和3.8个百分点,并且其单张图片平均识别时间也具有一定优势。EB-YOLO-v8n模型兼顾了精度与速度之间的平衡,契合了震后损伤识别需求中高精度与快速的特点,可以满足实际工程复杂工况的需求。 展开更多

关键词 结构设计 耗能梁 目标检测 损伤识别 YOLO-v8n

在线阅读 下载PDF 职称材料

基于FAS-YOLOv8n的爬岸上草小龙虾多源图像融合识别方法

3

作者 李路 孙超奇 +3 位作者 周玉凡 周铖钰 寇圣宙 陈彦祺 《农业机械学报》 北大核心 2025年第8期526-534,共9页

针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO ... 针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO v8n的骨干网络中使用Ghost卷积和C2f_Repghost模块,减少模型的参数量。然后,在骨干网络和颈部网络之间添加可变形注意力(Deformable attention,DA)机制,增强模型对小龙虾的关注度,提高模型的特征提取效率。最后,采用VoVGSCSP模块替换C2f模块,提升颈部网络的特征融合速度,进一步降低计算量。实验结果表明,FAS-YOLOv8n模型在融合图像数据集上的识别精确率为90.62%,平均精度均值和召回率分别为92.9%和85%。相较于RGB图像数据集和红外图像数据集,识别精确率、平均精度均值和召回率分别提高6.05、8.46个百分点,4.78、7.14个百分点,3.84、3.87个百分点。利用融合数据集进行试验,FAS-YOLOv8n模型较原始模型平均精度均值提高5.1个百分点,参数量和浮点数运算量分别降低13.29%和23.17%,模型内存占用量仅为6.2 MB,检测速度为86 f/s。识别效果优于其他主流目标检测模型,能够实现模型轻量化部署,为巡塘无人机的应用提供技术支撑。 展开更多

关键词 小龙虾 多源图像 图像融合 目标识别 深度学习 YOLO v8n

在线阅读 下载PDF 职称材料

基于改进YOLO v8n的辣椒穴盘育苗播种质量轻量级检测方法 被引量：2

4

作者 孔德航 刘云强 +3 位作者 崔巍 吴海华 张学东 宁义超 《农业机械学报》 北大核心 2025年第2期381-392,共12页

针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高... 针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高训练效率。采用StarNet轻量级网络和上下文增强模块(Context augmentation module,CAM)作为主干网络,在降低模型复杂程度同时,实现深层特征多感受野信息融合;采用空间与通道重建卷积(Spatial and channel reconstruction convolution,SCConv)优化中间层C2f(Cross stage partial network fusion)模块的瓶颈结构,增强模块特征提取能力和提高模型推理速度;融合P2检测层,将基线3个检测头减至1个,增强模型对小目标的检测性能。结果表明,YOLO v8n-SCS模型参数量为1.2×10^(6)、内存占用量为2.7 MB、浮点数运算量为7.6×10^(9),在穴盘单格数据集上,其mAP_(50)为98.3%、mAP_(50-95)为83.8%、帧率为112 f/s,相比基线模型YOLO v8n,参数量降低62.5%、mAP_(50)提升2.5个百分点、mAP_(50-95)提升2.1个百分点、浮点数运算量降低14.6%、帧率提升23.1%;在整盘检测任务中,其检测帧率为21 f/s,检测准确率为98.2%,相比基线模型检测帧率提升8.2%、准确率提升1.1个百分点,对于播种速度800盘/h以内的72穴育苗盘和600盘/h以内的128穴育苗盘,其平均检测准确率大于96%,且单粒率、重播率和漏播率检测误差小于1.8%。本文模型在性能和计算成本之间取得了很好的平衡,降低了部署边缘设备计算要求,满足辣椒穴盘育苗播种质量在线检测需求,为育苗播种生产线智能化升级提供了技术支持。 展开更多

关键词 辣椒种子 穴盘育苗 播种质量检测 改进YOLO v8n 轻量级模型

在线阅读 下载PDF 职称材料

基于改进YOLO v8n轻量化模型的苹果识别方法

5

作者 马保建 邱媛媛 +4 位作者 陈棒棒 张鹏 吕亮亮 夏浩 葛云 《石河子大学学报(自然科学版)》 北大核心 2025年第2期143-151,共9页

为解决在计算资源受限条件下部署苹果检测模型的问题,并为自然环境下苹果采摘机器人的目标识别提供技术支撑,设计了一种基于YOLO v8n模型的苹果识别方法YOLO v8n-SCD,先将YOLO v8n的骨干网络替换为StarNet轻量化模型,降低原模型的参数量... 为解决在计算资源受限条件下部署苹果检测模型的问题,并为自然环境下苹果采摘机器人的目标识别提供技术支撑,设计了一种基于YOLO v8n模型的苹果识别方法YOLO v8n-SCD,先将YOLO v8n的骨干网络替换为StarNet轻量化模型,降低原模型的参数量;然后将Star Blocks模块耦合到C2f模块中构建一个新结构C2f-StarNet,以降低模型复杂度,并且设计了新的检测头Detect_Apple,以进一步降低模型的参数量;最后,结合损失函数Shape IoU优化模型的训练过程,以提升检测的性能。试验结果表明:改进的YOLO v8n-SCD比原模型的精确率与召回率均小幅提升,平均精确率与原模型基本持平,但模型大小、参数量和GFLOPs比原模型分别降低了53.3%、54.4%和44.4%;与YOLO v5、YOLO v7、YOLO v8n、YOLO v9和YOLO v10主流检测模型相比,YOLO v8n-SCD模型的召回率、平均精度有略微的下降,但模型大小分别减少了44%、77.2%、53.3%、36.4%和49.1%,参数量减小了45.3%、77.2%、54.4%、30.5%和39.6%,浮点计算量降低了36.6%、65.9%、44.4%、40.8%和30.8%。本文提出的YOLO v8n-SCD模型在保证苹果识别精度的前提下对原模型进行轻量化,为后续边缘设备的模型部署提供技术依据。 展开更多

关键词 苹果 检测模型 轻量化 YOLO v8n 边缘设备

在线阅读 下载PDF 职称材料

基于改进YOLO v8n的花生叶片病害检测方法

6

作者 白凯 张玉杰 +2 位作者 苏邓文 秦涛 彭志强 《农业机械学报》 北大核心 2025年第6期518-526,564,共10页

针对花生叶片病害在复杂环境下相似特征难以准确识别的问题,提出一种基于改进YOLO v8n模型的检测算法YOLO-ADM。首先,使用ADown模块代替部分CBS模块,降低下采样中的信息损失,减少了模型的参数量;其次,将可变形注意力(Deformable attenti... 针对花生叶片病害在复杂环境下相似特征难以准确识别的问题,提出一种基于改进YOLO v8n模型的检测算法YOLO-ADM。首先,使用ADown模块代替部分CBS模块,降低下采样中的信息损失,减少了模型的参数量;其次,将可变形注意力(Deformable attention,DA)机制添加到C2f模块组成C2f-DA结构,替换了SPPF上层的C2f模块,使模型聚焦到花生叶片病害的特定区域,准确捕捉其特征;最后,设计了一种全新的多尺度特征融合网络MFI Neck代替了YOLO v8n原有的颈部网络,增强了模型对不同尺度特征的融合能力。通过在花生叶片病害数据集上进行实验,结果表明,改进算法的准确率、召回率、mAP@0.5和mAP@0.5:0.95分别达到92.3%、91.0%、95.6%和85.2%,相比原始的YOLO v8n分别提高4.5、0.2、1.6、3.0个百分点,且模型内存占用量减少0.65 MB,参数量下降3.70×10^(5)。本算法在保证模型轻量化的前提下提升了检测能力,能够有效满足复杂环境下花生叶片病害的识别需求,为叶片病害的检测和监控提供了技术参考。 展开更多

关键词 花生叶片病害 YOLO v8n 目标检测 ADown 可变形注意力

在线阅读 下载PDF 职称材料

改进YOLO v8n的无人机高分辨率水稻幼苗数目检测方法

7

作者 王鑫泽 何超 +3 位作者 方国文 黄立闩 李熠璇 张晓青 《江苏农业科学》 北大核心 2025年第5期95-104,共10页

针对我国水稻机播率不足50%,高速机播出现操作不当、对秧池判断失误、天气引起存活降低等原因出现空穴率的问题,导致无法准确判断水稻密度并实施精确补插计划,提出了一种低成本的改进YOLO v8n算法的轻量化识别水稻幼苗数目的方法。首先... 针对我国水稻机播率不足50%,高速机播出现操作不当、对秧池判断失误、天气引起存活降低等原因出现空穴率的问题,导致无法准确判断水稻密度并实施精确补插计划,提出了一种低成本的改进YOLO v8n算法的轻量化识别水稻幼苗数目的方法。首先,使用动态KWConv代替普通Conv,使卷积参数更加高效,卷积更加适合水稻幼苗数据集;其次,设计全新的C2f_KW模块代替部分C2f,减少模型的计算量,并提高了模型的检测精度;最后,使用WIoU边界损失函数解决了CIoU损失函数对样本质量较差的局限性。试验结果表明,改进YOLO v8n模型的mAP0.5、mAP0.5~0.95分别为99.19%、72.56%;相比原模型YOLO v8n,mAP0.5和mAP0.5~0.95分别提高0.50、4.13百分点,并且模型计算量从8.2 G降到5.8 G,实现了更广泛的无人机部署条件,改进YOLO v8n模型与主流模型Faster R-CNN、YOLO v5n、YOLO v5s、YOLO v7、YOLO v7-tiny、YOLO v8n-Swin Transformer等相比有着不同程度提升,提高35.27、5.01、2.69、9.54、13.14、3.45百分点。本研究方法对无人机监测统计水稻幼苗提供了有效的支持,为水稻种植相关研究提供了借鉴。 展开更多

关键词 水稻幼苗 数量检测 KW卷积 WIoU YOLO v8n

在线阅读 下载PDF 职称材料

基于YOLO v8n-Grape的葡萄叶片病害小目标检测 被引量：1

8

作者 范明超 张和群 +1 位作者 踪姿艳 高欣峰 《江苏农业科学》 北大核心 2025年第9期199-207,共9页

为了提升葡萄叶片病害检测的精度和效率,本研究从葡萄病害表型相似度高、小病斑检测困难出发,提出了优化的YOLO v8n-Grape模型,旨在为智能农业中的病害检测提供更加精准和高效的技术支持。首先,在颈部网络中添加SimAM注意力机制,自适应... 为了提升葡萄叶片病害检测的精度和效率,本研究从葡萄病害表型相似度高、小病斑检测困难出发,提出了优化的YOLO v8n-Grape模型,旨在为智能农业中的病害检测提供更加精准和高效的技术支持。首先,在颈部网络中添加SimAM注意力机制,自适应地增强关键信息的提取,减少特征冗余;其次,在主干网络中添加SimAM注意力机制,并通过引入通道注意力机制、增加可学习参数、结合门控机制和残差连接,同时将激活函数替换为SiLU,进一步优化模型,提升病害区域的特征表达能力;最后,将CIoU损失函数替换为NWDLoss损失函数,使检测框与标注框的匹配更加精确,优化目标定位和分类之间的平衡性。结果表明,YOLO v8n-Grape对葡萄叶片病斑的检测精度达到90.4%;对比SSD、YOLO v5s、YOLO v8n、YOLO v9、YOLO v10n、YOLO v11模型,mAP@0.5分别高出18.9、8.1、2.0、2.1、2.6、1.2百分点。YOLO v8n-Grape模型为精准检测葡萄叶片病害小目标提供了高效且可靠的技术手段,具备广泛的应用前景,为智能农业中的病害检测技术提供了有力支持。 展开更多

关键词 YOLO v8n 葡萄叶片病害 小目标 SimAM NWDLoss损失函数

在线阅读 下载PDF 职称材料

基于YOLO v8n-SPE-SL的河道“四乱”识别方法

9

作者 刘玲 马晓艳 +3 位作者 孙天玥 申孝军 刘冬梅 苏昌发 《农业机械学报》 北大核心 2025年第8期163-171,共9页

针对河道“四乱”检测图像中目标尺寸小、河道背景复杂等造成目标难以识别等问题,提出一种YOLO v8n-SPE-SL(Small SPD-Conv-ECA SiLuan)模型,旨在实现河道“四乱”目标的快速精准识别。通过增加小目标检测层,显著提升模型对小尺度目标... 针对河道“四乱”检测图像中目标尺寸小、河道背景复杂等造成目标难以识别等问题,提出一种YOLO v8n-SPE-SL(Small SPD-Conv-ECA SiLuan)模型,旨在实现河道“四乱”目标的快速精准识别。通过增加小目标检测层,显著提升模型对小尺度目标的特征提取能力;通过引入SPD-Conv模块替换原模型中步长为2的部分卷积,减少细节信息的损失;通过在部分C2f模块当中加入ECA(Efficient channel attention)注意力机制,显著提高模型在复杂背景下的目标识别能力。在此基础上设计了河道“四乱”巡查系统。基于构建的数据集对改进模型进行实验对比,结果表明,YOLO v8n-SPE-SL模型的精确率、召回率和平均精度均值分别达到96.3%、91.9%和95.7%,与YOLO v8n模型相比,分别提升1、2.5、1.6个百分点;其中引入小目标检测层使mAP@50提升0.7个百分点,引入SPD-Conv模块使误检率降低23.6%,引入ECA机制将mAP@50-95提高2.7个百分点。巡查系统可用于实现“四乱”目标的精准识别与展示,助力幸福河湖建设。 展开更多

关键词 河道巡查 “四乱” 小目标检测 YOLO v8n 深度学习

在线阅读 下载PDF 职称材料

基于改进YOLO v8n轻量化的番茄叶霉病发病程度分级检测

10

作者 唐秀英 孙中清 +4 位作者 杨琳琳 余静 刘正林 王佩 施杰 《江苏农业学报》 北大核心 2025年第10期1985-1996,共12页

为进一步提高番茄叶霉病发病程度分级识别的精度和效率,降低检测模型的复杂度和权重,便于部署在移动端,本研究对YOLO v8n模型进行了改进,提出了一种轻量化病害发病程度分级检测方法。引入MobileNetV4中的UIB模块,替换YOLO v8n模型中的C2... 为进一步提高番茄叶霉病发病程度分级识别的精度和效率,降低检测模型的复杂度和权重,便于部署在移动端,本研究对YOLO v8n模型进行了改进,提出了一种轻量化病害发病程度分级检测方法。引入MobileNetV4中的UIB模块,替换YOLO v8n模型中的C2f卷积层,降低模型的计算量和参数量,满足移动端轻量化部署要求;在主干网络的最高维度后引入级联群体注意力机制模块(CGA),同时引入位置偏置,最后将模型的检测头由解耦检测头替换为双重注意力增强的目标检测头,实现对叶霉病症状特征的精确定位。研究结果表明,级联群体注意力机制模块(CGA)对模型性能的提升效果最为明显。相比YOLO v8n模型,YOLO v8n-UC-DAE模型的P、R、mAP 50和mAP 50-95分别提高了2.0个百分点、7.7个百分点、3.8个百分点和2.9个百分点;同时,计算量和权重分别降低了43.33%和32.86%。相较于其他主流模型,本研究构建的YOLO v8n-UC-DAE模型能够满足番茄叶霉病发病程度分级检测的需求,并解决了移动端部署的问题。 展开更多

关键词 YOLO v8n模型 番茄叶霉病 发病程度分级

在线阅读 下载PDF 职称材料

基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法 被引量：19

11

作者 王金鹏 何萌 +1 位作者 甄乾广 周宏平 《农业机械学报》 EI CAS CSCD 北大核心 2024年第4期193-203,共11页

针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,... 针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。 展开更多

关键词 油茶果 机器视觉 COF-YOLO v8n 计数 产量估计

在线阅读 下载PDF 职称材料

基于改进YOLO v8n模型的散养蛋鸡个体行为识别方法与差异分析 被引量：4

12

作者 杨断利 齐俊林 +2 位作者 陈辉 高媛 王连增 《农业机械学报》 EI CAS CSCD 北大核心 2024年第11期112-123,共12页

家禽行为与其生理状态密切相关,可利用行为数据对家禽健康状况进行评估。统计个体行为数据需要进行蛋鸡行为识别和个体身份识别,针对行为识别过程中,蛋鸡体型小、聚集遮挡,养殖环境光照变化等因素导致的蛋鸡有效特征表达不足,个体行为... 家禽行为与其生理状态密切相关,可利用行为数据对家禽健康状况进行评估。统计个体行为数据需要进行蛋鸡行为识别和个体身份识别,针对行为识别过程中,蛋鸡体型小、聚集遮挡,养殖环境光照变化等因素导致的蛋鸡有效特征表达不足,个体行为识别效果不理想问题,基于YOLO v8n网络构建行为识别模型,同时融合ODConv、GhostBottleneck、GAM注意力和Inner-IoU结构,通过减少图像特征丢失,放大全局交互信息,融合跨阶段特征,增强特征提取及泛化能力对模型进行改进,提升了蛋鸡采食、饮水、站立、整理羽毛、俯身搜索5种行为的识别精度。同时基于YOLO v8n模型构建了个体身份识别网络,并通过引入MobileNetV3模块对个体身份识别网络模型进行优化,提升了个体行为数据统计效率。试验结果表明,优化后行为识别模型对采食、饮水、站立、整理羽毛、俯身搜索行为识别平均精度(AP)分别达到94.4%、93.0%、90.7%、91.7%、86.9%,平均精度均值(mAP)达到91.4%,与YOLO v5n、YOLO v6n、YOLO v7-tiny、YOLO v8n相比,平均精度均值(mAP)分别提高4.8、4.1、5.5、3.5个百分点;个体身份识别模型参数量和运算量与YOLO v8n模型相比,减少1.965 1×10^(6)和6.1×10^(9)。通过分析蛋鸡行为数据发现,行为数据与温度及蛋鸡个体本身有关,温度降低时,采食、站立次数增加,饮水次数减少,整理羽毛、俯身搜索次数几乎无变化,相同温度下,不同蛋鸡个体的行为数据差异较大,且差异值与蛋鸡体型有关。试验结果为依据行为数据评判蛋鸡健康状况、养殖场精准养殖及蛋鸡个体优选奠定了基础。 展开更多

关键词 散养蛋鸡 行为识别 YOLO v8n 多目标识别 MobileNetV3 ODConv

在线阅读 下载PDF 职称材料

基于SAW-YOLO v8n的葡萄幼果轻量化检测方法 被引量：4

13

作者 张传栋 高鹏 +1 位作者 亓璐 丁华立 《农业机械学报》 EI CAS CSCD 北大核心 2024年第10期286-294,共9页

葡萄簇幼果果实受背景色、遮挡和光照变化的影响,检测难度大。为了实现对背景色、遮挡和光照变化具有鲁棒性的葡萄簇幼果检测,提出了一种融合随机注意力机制(Shuffle attention,SA)的改进YOLO v8n模型(SAW-YOLO v8n)。通过在YOLO v8n模... 葡萄簇幼果果实受背景色、遮挡和光照变化的影响,检测难度大。为了实现对背景色、遮挡和光照变化具有鲁棒性的葡萄簇幼果检测,提出了一种融合随机注意力机制(Shuffle attention,SA)的改进YOLO v8n模型(SAW-YOLO v8n)。通过在YOLO v8n模型的Neck结构中融入SA机制,增强网络多尺度特征融合能力,提升检测目标的特征信息表示,并抑制其他无关信息,提高检测网络检测精度,在不明显增加网络深度和内存开销的情况下,实现了葡萄簇幼果的高效准确检测;采用基于动态非单调聚焦机制的损失(Wise intersection over union loss,Wise-IoU Loss)作为边界框回归损失函数,加速网络收敛并进一步提高模型的准确率。构建了葡萄簇幼果的数据集GGrape,该数据集由3780幅复杂场景下的葡萄簇幼果图像及对应标注文件组成。通过该数据集对SAW-YOLO v8n模型进行训练和测试。测试结果表明,基于SAW-YOLO v8n的葡萄簇幼果检测算法的精度(Precision,P)、召回率(Recall,R)、平均精度均值(Mean average precision,mAP)和F1值分别为92.80%、91.30%、96.10%和92.04%,检测速度为140.85 f/s,模型内存占用量为6.20 MB。与SSD、YOLO v5s、YOLO v6n、YOLO v7-tiny、YOLO v8n等5个轻量化模型相比,其mAP值分别提高16.06%、1.05%、1.48%、0.84%、0.73%,F1值分别提高24.85%、1.43%、1.43%、1.09%、1.60%,模型内存占用量分别降低93.16%、56.94%、37.63%、47.00%、0,是所有模型中最小的,具有明显的轻量化、高精度优势。讨论了不同遮挡程度和光照条件的葡萄幼果检测,结果表明,基于SAW-YOLO v8n的葡萄幼果检测方法能适应不同遮挡和光照变化,具有良好的鲁棒性。结果表明,SAW-YOLO v8n不仅能满足对葡萄簇幼果检测的高精度、高速度、轻量化的要求,且具有较强的鲁棒性和实时性。 展开更多

关键词 葡萄幼果 疏果 目标检测 shuffle attention YOLO v8n Wise-IoU Loss

在线阅读 下载PDF 职称材料

基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法 被引量：14

14

作者 梁秀英 贾学镇 +3 位作者 何磊 王翔宇 刘岩 杨万能 《农业机械学报》 EI CAS CSCD 北大核心 2024年第2期295-305,345,共12页

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongs... 多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。 展开更多

关键词 小鼠行为 多目标跟踪 YOLO v8n-seg Strongsort

在线阅读 下载PDF 职称材料

基于改进YOLO v8n-seg的羊只实例分割方法 被引量：6

15

作者 王福顺 王旺 +2 位作者 孙小华 王超 袁万哲 《农业机械学报》 EI CAS CSCD 北大核心 2024年第8期322-332,共11页

羊只实例分割是实现羊只识别和跟踪、行为分析和管理、疾病监测等任务的重要前提。针对规模化羊场复杂养殖环境中,羊只个体存在遮挡、光线昏暗、个体颜色与背景相似等情况所导致的羊只实例错检、漏检问题,提出了一种基于改进YOLO v8n-se... 羊只实例分割是实现羊只识别和跟踪、行为分析和管理、疾病监测等任务的重要前提。针对规模化羊场复杂养殖环境中,羊只个体存在遮挡、光线昏暗、个体颜色与背景相似等情况所导致的羊只实例错检、漏检问题,提出了一种基于改进YOLO v8n-seg的羊只实例分割方法。以YOLO v8n-seg网络作为基础模型进行羊只个体分割任务,首先,引入Large separable kernel attention模块以增强模型对实例重要特征信息的捕捉能力,提高特征的代表性及模型的鲁棒性;其次,采用超实时语义分割模型DWR-Seg中的Dilation-wise residual模块替换C2f中的Bottleneck模块,以优化模型对网络高层特征的提取能力,扩展模型感受野,增强上下文语义之间的联系,生成带有丰富特征信息的新特征图;最后,引用Dilated reparam block模块对C2f进行二次改进,多次融合从网络高层提取到的特征信息,增强模型对特征的理解能力。试验结果表明,改进后的YOLO v8n-LDD-seg对羊只实例的平均分割精度mAP_(50)达到92.08%,mAP_(50:90)达到66.54%,相较于YOLO v8n-seg,分别提升3.06、3.96个百分点。YOLO v8n-LDD-seg有效提高了羊只个体检测精度,提升了羊只实例分割效果,为复杂养殖环境下羊只实例检测和分割提供了技术支持。 展开更多

关键词 羊只 个体检测 实例分割 改进YOLO v8n-LDD-seg网络

在线阅读 下载PDF 职称材料

基于改进YOLO v8n的甜菜杂草检测算法研究 被引量：3

16

作者 黄友锐 王小桥 +2 位作者 韩涛 宋红萍 王照锋 《江苏农业科学》 北大核心 2024年第24期196-204,共9页

农作物生长过程中其伴生杂草的及时清除能够有效提高农作物的产量和质量。针对当前对于甜菜杂草检测精度较低、小目标漏检等问题,提出了基于改进YOLO v8n的甜菜杂草检测算法。首先,在检测头部分增加一个小目标检测层,提高模型对生长初... 农作物生长过程中其伴生杂草的及时清除能够有效提高农作物的产量和质量。针对当前对于甜菜杂草检测精度较低、小目标漏检等问题,提出了基于改进YOLO v8n的甜菜杂草检测算法。首先,在检测头部分增加一个小目标检测层,提高模型对生长初期甜菜和杂草的检测能力。其次,在主干部分引入感受野坐标注意力卷积(receptive-field coordinated attention convolutional operation,RFCAConv),更好地识别图像中的边缘、纹理、形状等低级特征,并且所增加的计算开销极小。最后,引入损失函数PIoU v2替换YOLO v8n原来的损失函数,增强对中等质量锚框的聚焦能力,加快收敛速度,并提高检测精度。通过公开的Lincolnbeet数据集进行试验,试验结果表明,改进后的YOLO v8n模型总的mAP@0.5达到了0.902,对比YOLO v8n原模型提高了0.035,甜菜和杂草分别提升了0.026、0.041,参数量减少了3.3%,平均每幅图片的检测时间为4.1 ms,能够满足实时检测的要求。 展开更多

关键词 甜菜 杂草识别 YOLO v8n 感受野坐标注意力卷积 小目标检测

在线阅读 下载PDF 职称材料

基于改进YOLO v8n的玉米田间杂草检测网络 被引量：1

17

作者 亢洁 代鑫 +2 位作者 刘文波 徐婷 夏宇 《江苏农业科学》 北大核心 2024年第20期165-172,共8页

针对3~5叶期玉米田间伴生杂草目标尺度小、玉米叶片遮挡严重、田间自然环境复杂等导致检测精度不高的问题,提出了一种基于改进YOLO v8n的玉米田间杂草检测算法。首先下载涵盖了黑麦草、芥菜、甘菊、藜麦等常见伴生杂草和玉米幼苗的图像... 针对3~5叶期玉米田间伴生杂草目标尺度小、玉米叶片遮挡严重、田间自然环境复杂等导致检测精度不高的问题,提出了一种基于改进YOLO v8n的玉米田间杂草检测算法。首先下载涵盖了黑麦草、芥菜、甘菊、藜麦等常见伴生杂草和玉米幼苗的图像,对图像进行翻转等数据增强方式增加样本多样性,提升模型识别和泛化能力。其次在YOLO v8n网络基础上,重新构建了轻量级跨尺度特征融合网络,增强模型多尺度特征融合能力,并输出一个针对小目标杂草的预测层,提升网络的检测精度。最后,在4个目标检测头前嵌入高效多尺度注意力机制EMA,使得检测头更加专注于目标区域。试验结果表明,本模型的平均精度均值提升了2.4百分点、杂草的平均精度提升了5.1百分点,模型内存用量和参数量分别减小了22.6%和26.0%;本模型与SSD-MobileNet v2、Efficientdet-D0及YOLO系列目标检测模型相比,平均精度均值至少提升了1.8百分点、识别杂草的平均精度至少提升了4.6百分点,并且模型内存用量和参数量都处在较低水平。本研究提出的玉米田间杂草检测模型在降低了模型内存用量和参数量的同时提高了检测精度,可为精准除草设备提供技术支持。 展开更多

关键词 玉米田 杂草 目标检测 YOLO v8n EMA注意力机制

在线阅读 下载PDF 职称材料

基于FSLYOLO v8n的玉米籽粒收获质量在线检测方法研究 被引量：6

18

作者 张蔚然 杜岳峰 +3 位作者 栗晓宇 刘磊 王林泽 吴志康 《农业机械学报》 EI CAS CSCD 北大核心 2024年第8期253-265,共13页

玉米籽粒破碎率和含杂率是评价玉米收获质量的关键指标。针对当前玉米籽粒直收机缺少适用于复杂田间作业环境的收获质量在线检测方法的问题,提出一种适用于小目标、多数量检测目标的玉米籽粒破碎率、含杂率轻量化检测方法。首先,根据图... 玉米籽粒破碎率和含杂率是评价玉米收获质量的关键指标。针对当前玉米籽粒直收机缺少适用于复杂田间作业环境的收获质量在线检测方法的问题,提出一种适用于小目标、多数量检测目标的玉米籽粒破碎率、含杂率轻量化检测方法。首先,根据图像中完整籽粒、破碎籽粒、玉米芯和玉米叶个体数量与个体质量的关系建立数量-质量回归模型,提出了籽粒破碎率和含杂率评估方法。其次,针对籽粒及杂质大小相近,检测物数量多,检测物面积小的特点,提出一种改进的FSLYOLO v8n算法。算法通过FasterBlock模块和无参数注意力机制SimAM改进主干网络结构,并通过使用共享卷积结合Scale模块对检测头进行改进。此外,使用SlidLoss函数替代YOLO v8n的原类别分类损失函数。FSLYOLO v8n模型的mAP@50为97.46%、帧速率为186.4 f/s,与YOLO v8n相比提高6.35%和45 f/s,且网络参数量、浮点运算量分别压缩到YOLO v8n的66.50%、64.63%,模型内存占用量仅为4.0 MB,其性能优于目前常用的轻量化模型。台架试验结果表明,提出的检测方法能够精准检测玉米籽粒破碎和含杂情况,检测准确率高达95.33%和96.15%。将改进后的模型部署在Jetson TX2开发板上,配合检测装置安装到玉米联合收获机上开展田间试验,结果表明,模型能够精准区分籽粒和杂质,满足田间工作需求。 展开更多

关键词 玉米 籽粒直收 破碎率 含杂率 在线检测 FSLYOLO v8n

在线阅读 下载PDF 职称材料

基于YOLO v8n-seg-FCA-BiFPN的奶牛身体分割方法 被引量：10

19

作者 张姝瑾 许兴时 +2 位作者 邓洪兴 温毓晨 宋怀波 《农业机械学报》 EI CAS CSCD 北大核心 2024年第3期282-289,391,共9页

奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加... 奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加权特征金字塔结构,提出了YOLO v8n-seg-FCA-BiFPN奶牛身体部位分割模型。其中,多尺度融合模块使模型更好地提取小目标几何特征信息,双向跨尺度加权特征金字塔结构实现了更高层次的特征融合。首先在奶牛运动通道处采集奶牛侧面图像作为数据集,为保证数据集质量,采用结构相似性算法剔除相似图像,共得到1 452幅图像。然后对目标奶牛的前肢、后肢、乳房、尾部、腹部、头部、颈部和躯干8个部位进行标注并输入模型训练。测试结果表明,模型精确率为96.6%,召回率为94.6%,平均精度均值为97.1%,参数量为3.3×10^(6),检测速度为6.2 f/s。各部位精确率在90.3%~98.2%之间,平均精度均值为96.3%。与原始YOLO v8n-seg相比,YOLO v8n-seg-FCA-BiFPN的精确率提高3.2个百分点,召回率提高2.6个百分点,平均精度均值提高3.1个百分点,改进后的模型在参数量基本保持不变的情况下具有更强的鲁棒性。遮挡情况下该模型检测结果表明,精确率为93.8%,召回率为91.67%,平均精度均值为93.15%。结果表明,YOLO v8n-seg-FCA-BiFPN网络可以准确、快速地实现奶牛身体部位精准分割。 展开更多

关键词 奶牛 身体部位分割 语义分割 FCABasicBlock BiFPN YOLO v8n

在线阅读 下载PDF 职称材料

基于改进YOLO v8n的甘蔗叶片病害识别算法

20

作者 梁斯佳 李雷 +3 位作者 顾月 周延锁 李玉 虞佳佳 《农业机械学报》 2025年第10期567-574,共8页

针对目前甘蔗叶片病害检测算法少、模型参数大、识别准确率低等问题,设计了一种基于改进YOLO v8n的轻量化甘蔗叶片病害识别算法。该算法以5种常见的甘蔗叶片病害为研究对象,将网络结构中的标准卷积模块和C2f模块分别替换为Ghost卷积模块... 针对目前甘蔗叶片病害检测算法少、模型参数大、识别准确率低等问题,设计了一种基于改进YOLO v8n的轻量化甘蔗叶片病害识别算法。该算法以5种常见的甘蔗叶片病害为研究对象,将网络结构中的标准卷积模块和C2f模块分别替换为Ghost卷积模块和C3Ghost模块,减少模型参数量和浮点运算量;在骨干网络中加入EMA注意力机制,加强算法多尺度特征提取和融合;在模型结构中加入一个小目标检测层,增强对数据中小目标的检测效果。结果表明,改进模型在测试集的精确率、召回率和平均精度均值分别为90.4%、95.7%和95.3%,相较YOLO v8n模型分别提高2.8、11.0、4.3个百分点。参数量和模型内存占用量分别减少46.5%和41.3%,并且检测效果显著优于其他轻量级检测算法,可为甘蔗叶片病害实时检测提供参考。 展开更多

关键词 甘蔗叶片病害 深度学习 YOLO v8n 轻量化 注意力机制 目标检测

在线阅读 下载PDF 职称材料