一种基于改进YOLOv8s的轻量级石榴识别方法技术

本发明专利技术公开了基于改进YOLOv8s的轻量级石榴识别方法，该方法包括以下步骤：搭建轻量化YOLOv8网络；获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集；将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件；将所述测试集中的图片利用所述权重文件进行测试，得到改进网络的效果和检测结果。该方法采用ShuffleNetv2替换YOLOv8检测算法的骨干网络，并集成了超轻量化注意力机制ECA(EfficientChannel Attention)，在不提升模型计算量的同时保持YOLOv8的精度优势。进一步地，将标准卷积模块替换成深度可分离卷积(DWConv)模块，使模型极致轻量化，满足部署到嵌入式设备的要求。到嵌入式设备的要求。到嵌入式设备的要求。

【技术实现步骤摘要】
一种基于改进YOLOv8s的轻量级石榴识别方法


[0001]本专利技术涉及计算机视觉领域，具体涉及一种基于改进YOLOv8s的轻量级石榴识别方法。

技术介绍

[0002]目前，我国农业生产不断向规模化、集约化、精准化方向发展，对具有智能化、自动化的农业智能装备的需求也快速增加。由于果园环境复杂，目前石榴的采摘主要还是依靠人工。而石榴采摘是季节性强、劳动密集型的农业活动。人工采收的方法不仅效率低，而且劳动强度大。因此，在农业劳动力紧缺、采摘成本不断增加的情况下，以石榴采摘机器人代替人工采摘具有重要的现实意义和广阔的应用前景。在自然生长环境中准确检测水果有利于果园的自动化和智能化管理。此外，在疏果前对石榴果实进行快速准确的检测，不仅有助于早期估产，而且具有很大的实用价值。还可以帮助种植者可变喷洒杀虫剂、水和肥料，并监测水果生长。
[0003]石榴检测本质上属于目标检测。目标检测算法可分为传统算法和基于深度学习的算法。传统的果实识别算法大多依赖于果实的大小、颜色、纹理和形状等视觉特征，在特定环境下取得了较好的识别效果。然而，由于农业种植环境的复杂多变，目标果实的识别易受到光照不均、枝叶遮挡、果实重叠等干扰因素的影响，其外观特征会随环境变化而发生较大变化，由于受到干扰因素的作用，在自然条件下识别效果不理想。

技术实现思路

[0004]针对现有技术存在的以上问题，本专利技术提出一种基于改进YOLOv8s的轻量级石榴识别方法。该方法采用ShuffleNetv2替换YOLOv8检测算法的骨干网络，并集成了超轻量化注意力机制ECA(Efficient Channel Attention)，在不提升模型计算量的同时保持YOLOv8的精度优势。进一步地，将标准卷积模块替换成深度可分离卷积(DWConv)模块，使模型极致轻量化，满足部署到嵌入式设备的要求。
[0005]本专利技术提供的技术解决方案如下：
[0006]一种基于改进YOLOv8s的轻量级石榴识别方法，其特殊之处在于，包括以下步骤：
[0007]搭建轻量化YOLOv8s网络；
[0008]获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集；
[0009]将数据集送入所述轻量化YOLOv8s网络进行训练，得到权重文件；
[0010]将所述测试集中的图像利用所述权重文件进行测试，得到改进网络的效果和检测结果。
[0011]进一步地，所述搭建轻量化YOLOv8s网络，包括以下步骤：
[0012]采用ShuffleNetv2替换YOLOv8s检测算法的骨干网络；
[0013]将标准卷积替换成深度可分离卷积(DWConv)，所述深度可分离卷积主要包括两个
卷积，分别为逐通道卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)；
[0014]在特征融合网络中引入超轻量化注意力机制ECA。
[0015]进一步地，所述将标准卷积替换成深度可分离卷积(DWConv)，包括以下步骤：
[0016]定义所述逐通道卷积过程中的卷积核大小为W
×
H，对输入的图像逐通道卷积过程是对图像的每一个通道在二维平面上进行分别卷积，通过计算量W
×
H
×
C得到相互独立的第一特征图，其中C为图像的通道数；
[0017]定义所述逐点卷积过程中的卷积核大小为1
×1×
C，采用逐点卷积将得到的所述第一特征图结合起来，在深度方向加权组合，生成第二特征图。
[0018]进一步地，所述在特征融合网络中引入超轻量化注意力机制ECA，包括以下步骤：
[0019]在Neck层的C3模块之后插入轻量级的通道注意力机制模块ECA，着重输出重要通道的信息与第三特征图，将ECA模块的通道数与C3模块输出的所述第三特征图的通道数对应，根据第一函数对所述第三特征图进行平均池化，得到平均池化结果Favg，将输出结果F
avg
视为1
×
C的二维向量X，X＝[x
1 x2ꢀ…ꢀ
x
c
]，所述第一函数表达式为：
[0020][0021]其中，P
avg
为平均池化过程，x
ij
是大小为W
×
H的特征图上横坐标为i，纵坐标为j的点，W和H分别是输入特征图的宽度和高度，x
k
表示二维向量X的第k个分量；
[0022]利用一维卷积提取Favg中每k个通道的特征关系，k为一维卷积核的大小，通过权重矩阵W
k
来学习各通道的信息，其中权重矩阵W
k
表达式为：
[0023][0024]根据所述权重矩阵W
k
得到输出结果Y为：
[0025][0026]其中，ω
c,c
为权重矩阵第c行第c列的分量，c为通道数；
[0027]由输出结果Y看出，仅考虑x
i
与其k个相邻通道之间的相互作用，避免了降维，同时保持了通道注意，即
[0028][0029]其中，x
i
为第i个通道，表示x
i
的k个相邻通道的集合，k值与通道数之间的映射关系可以表示如下：
[0030][0031]其中，|x|
odd
表示与x最近的奇数，γ＝2，b＝1；为映射关系。
[0032]进一步地，所述获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集，包括以下步骤：
[0033]获取石榴图像
[0034]在当地石榴园进行实景拍摄，得到不同光线条件下的石榴图像，以及树上的石榴，掉落的石榴等不同场景下的石榴图像；
[0035]对图像进行标记
[0036]采用Labellmg对获取到的所述石榴图像进行标记，标签命名为“pomegranate”，得到数据集；
[0037]按照比例划分数据集
[0038]按照训练集：验证集：测试集＝7:2:1的比例对所述数据集进行随机划分。
[0039]进一步地，所述将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件，包括以下步骤：
[0040]基于余弦退火算法(Cosine annealing)，在训练过程中自动调整模型的学习率；
[0041]输出三个不同大小的特征图分别对应三种不同类型的目标，得到在训练过程中效果最好的一轮，并保存权重文件为best.pt。
[0042]进一步地，所述将所述测试集中的图片利用所述权重文件进行测试，得到改进网络的效果和检测结果，包括以下步骤：
[0043]读取所述测试集中的一张图像，通过所述权重文件进行检测，得到检测结果；
[0044]重读所述测试集中的图像，直至测试集中的图像全部检测完毕。
[0045]与现有技术相比，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv8s的轻量级石榴识别方法，其特征在于，包括以下步骤：搭建轻量化YOLOv8网络；获取石榴图像并搭建数据集，将所述数据集按比例划分为训练集、验证集以及测试集；将数据集送入所述轻量化YOLOv8网络进行训练，得到权重文件；将所述测试集中的图像利用所述权重文件进行测试，得到改进网络的效果和检测结果。2.根据权利要求1所述的基于改进YOLOv8s的轻量级石榴识别方法，所述搭建轻量化YOLOv8网络，其特征在于，包括以下步骤：采用ShuffleNetv2替换YOLOv8检测算法的骨干网络；将标准卷积替换成深度可分离卷积(DWConv)，所述深度可分离卷积主要包括两个卷积，分别为逐通道卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)；在特征融合网络中引入超轻量化注意力机制ECA。3.根据权利要求2所述的基于改进YOLOv8s的轻量级石榴识别方法，所述将标准卷积替换成深度可分离卷积(DWConv)，其特征在于，包括以下步骤：定义所述逐通道卷积过程中的卷积核大小为W
×
H，对输入的图像逐通道卷积过程是对图像的每一个通道在二维平面上进行分别卷积，通过计算量W
×
H
×
C得到相互独立的第一特征图，其中C为图像的通道数；定义所述逐点卷积过程中的卷积核大小为1
×1×
C，采用逐点卷积将得到的所述第一特征图结合起来，在深度方向加权组合，生成第二特征图。4.根据权利要求3所述的基于改进YOLOv8s的轻量级石榴识别方法，所述在特征融合网络中引入超轻量化注意力机制ECA，其特征在于，包括以下步骤：在Neck层的C3模块之后插入轻量级的通道注意力机制模块ECA，着重输出重要通道的信息，得到第三特征图，将ECA模块的通道数与C3模块输出的所述第三特征图的通道数对应，根据第一函数对所述第三特征图进行平均池化，得到平均池化结果Favg，将输出结果F
avg
视为1
×
C的二维向量X，X＝[x
1 x2ꢀ…ꢀ
x
c
]，所述第一函数表达式为：其中，P
avg
为平均池化过程，x
ij
是大小为W
×...

【专利技术属性】
技术研发人员：王九鑫，董琪，刘嫚，苏耀恒，刘宇程，成鹏飞，卢定泽，杨濛，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：