基于改进YOLOV8网络模型的马铃薯缺陷检测方法技术

本发明专利技术公开了一种基于改进YOLO V8网络结构的马铃薯缺陷检测方法，该方法对YOLO v8模型进行了改进，增加了深度可变形卷积和A2Attention注意力机制，提高了YOLO v8模型对小目标和形状差异大的缺陷的识别能力；为了提高模型的精度和鲁棒性，加入了Wise IoU损失函数；为了降低模型的参数量，采用了分组式卷积。本发明专利技术为解决当前马铃薯缺陷检测中的常见问题提供了理论和实践基础，并且该模型在精度和计算成本方面具有优势，能够满足农业工业化的需求。需求。需求。

【技术实现步骤摘要】
基于改进YOLO V8网络模型的马铃薯缺陷检测方法


[0001]本专利技术涉及神经网络
，尤其涉及一种基于改进YOLO V8网络模型的马铃薯缺陷检测方法。

技术介绍

[0002]深度学习模型已被广泛应用于缺陷检测的各种应用中，作为最具代表性的深度学习算法之一，卷积神经网络(CNN)是解决当前图像检测问题的最佳方案。卷积神经网络(Convolutional Neural Network，CNN)通常由输入层、卷积层、池化层、全连接层、输出层和激活函数组成。其中，卷积层的作用是使用卷积核对输入图像进行卷积运算，提取图像的特征，并将提取出的特征输出到下一层进行处理。池化层对卷积层的输出进行降采样，减小特征图的尺寸，同时提取图像的局部不变特征。全连接层的作用是将已经提取的特征进行特征的整合，得到卷积神经网络提取到的图片特征。激活函数层是利用输入和输出的非线性映射，使模型的鲁棒性提高，避免发生过拟合的现象。
[0003]目前，在现有的研究中，已经提出了许多有效的深度卷积神经网络结构来对缺陷进行检测。主要使用自建的马铃薯一种或多种缺陷的数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLO V8网络模型的马铃薯缺陷检测方法，其特征在于，包括以下步骤：S1，通过引入Wise IoU损失函数、A2Attention注意力机制、分组式卷积、深度可变形卷积构建基于改进YOLO V8的深度神经网络模型；S2，获取马铃薯病害图片数据，经过对缺陷图片的筛、扩充后获得数据集；S3，对数据集中的马铃薯病害图像进行预处理，并将预处理之后的数据集分为训练集、测试集和验证集；S4，采用训练集对构建的基于改进YOLO V8的深度神经网络模型进行训练，获取基于改进YOLO V8的深度神经网络模型的各个参数指标，得到训练后的基于改进YOLO V8的深度神经网络模型；S5，采用验证集对训练后的基于改进YOLO V8的深度神经网络模型进行验证，对测试结果的精度进行评价。2.根据权利要求1所述的基于改进YOLO V8网络模型的马铃薯缺陷检测方法，其特征在于，步骤S1中采用的深度可变形卷积具体内容如下：在卷积操作的基础上引入可学习的偏移量，调节的计算公式如公式(1)所示：其中p是真实的像素坐标，p
k
是卷积核位置，Δp
k
是学习到的偏移，Δm
k
是调节标量，介于0
‑
1之间，y(p)是输出特征映射y上的位置，w
k
表示卷积核对应位置的权重，x(p+p
k
+Δp
k
)表示对应位置的元素值。3.根据权利要求1所述的基于改进YOLO V8网络模型的马铃薯缺陷检测方法，其特征在于，步骤S1中，分组式卷积将卷积的过程分成两步，第一步是利用深度可分离卷积，首先通过平面卷积生成与通道数量一致的特征图，然后通过立体卷积核，大小为1
×
1，将结果加权求和得到最后的特征图；若一张图片的特征图尺寸为H
×
W
×
N，卷积核的尺寸为K
×
K
×
N，那么卷积后的参数数量与分组式卷积的参数数量的比值如下：第二步是采用Shufflenetv2进行降维处理；ShuffleNetV2是一种轻量级的神经网络，其基本组件是ShuffleUnit；在ShuffleUnit中，DWConv代表深度卷积层，PWConv代表点卷积层，BN表示批量归一化，Conv表示普通卷积层，Channel Split表示通道拆分，Channel Shuffle表示特征图在通道维度上的随机重组，Concat表示特征图在通道方向上的拼接；首先进行通道拆分，分为两个分支；右侧分支由三个卷积层组成；右侧分支的卷积确保输入和输出特征矩阵的通道数相等，从而最小化MAC值；最后，在通道维度上对特征图进行随机重组，实现两个分支间的特征信息融合；当步长为2时，不进行通道拆分。4.根据权利要求1所述的基于改进YOLO V8网络模型的马铃薯缺陷检测方法，其特征在于，步骤S1中的采用Wise IOU损失函数过程具体包括：锚框为目标框为x、y、w、h表示为锚框的坐标以及宽度和高度，x
st
、y
st
、w
st
、h
st
表示为目标框的坐标以及宽度和高度；用于度量目
标检测任务中目标框与锚框的重叠程度，定义为：其中W
i
、H
i
表示重叠部分的宽度和高度；根据距离度量构建距离注意力，得到注意力机制公式如下：其中，W
s
、H
s
表示锚框和目标框总和区域的最大宽度和高度；表示锚框和目标框总和区域的最大宽度和高度；5.根据...

【专利技术属性】
技术研发人员：征伟杰，吴键，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：