一种基于Yolov8的柑橘树体果实产量评估方法技术

本发明专利技术公开了一种基于Yolov8的柑橘树体果实产量评估方法，涉及果树培育技术领域，包括以下步骤：获取柑橘果园果实图像，分为训练集、测试集和预测集；对训练集和测试集中的果实进行标记；配置数据集和预训练模型，利用训练集和测试集对Yolov8预训练模型训练；得到训练模型，使用mAP@0.5和训练损失函数对训练结果进行初步评价。本发明专利技术提供了一种针对柑橘果实产量评估的方法，在对主体网络结构进行简单的修改后，并没有明显增加网络的重量，训练结果兼顾了精度和轻量化，并且预测结果更为直观、可靠。可靠。可靠。

【技术实现步骤摘要】
一种基于Yolov8的柑橘树体果实产量评估方法


[0001]本专利技术涉及果树培育
，更具体的说是涉及一种基于Yolov8的柑橘树体果实产量评估方法。

技术介绍

[0002]柑橘作为我国乃至世界种植面积最广的水果，在果实生产的过程中，适时的对自然环境下的果实数量或产量进行监测、评估，有助于估算生产潜力、预测产值变化、指导果园管理以及调配劳动力和资源等，而基于柑橘果实的智能装备的相关研究，对智慧农业的发展也将起到至关重要的作用。
[0003]随着深度学习技术的快速发展，基于深度学习框架的目标检测算法被广泛的应用到水果各个领域的研究中。Yolo系列是目标检测中最为广泛使用的算法之一，不需要进行感兴趣区域的选择，其在检测速度和对设备性能要求方面均更具优势。Yolov8作为Yolo系列的最新版本，相对于以往的版本，其在检测性能和设备的要求上具有明显的优势。
[0004]You Only Look Once(YOLO)是在2016年针对目标检测中，无法实时检测的问题，提出的目标检测思路。YOLO算法的核心思路是将整张图片作为网络的输入，将图片划分成S*S网格在卷积网络中运行，利用网格去检测中心点落在网格内的目标，每个网格预测B个边界框(bounding box)和边界框的置信度(confidence score)，即，得到中心点的坐标(x,y)，宽高(w,h)和置信度(C)，根据上面的结果，在输出层对检测目标进行所属类别的阈值分析。也即通过不断的卷积网络识别感兴趣区域、提取标的物的特征。
[0005]经过几年的发展，Ultralytics公司在2023年提出改进的Yolov8算法，相对于之前的Yolo系列，Yolov8在主干网络结构上进行了精心的调整，使其网络参数能够应用更多的检测模型，大幅提高了模型性能和灵活性。其整体结构可简化为三个部分，即，输入层(input)，主干特征提取网络层(backbone)和分类、预测层(neck和head)。该算法首先对输入的图片resize为640x640x3大小，输入到Yolov8的主干特征提取网络backbone网络中，输出三层大小分别为80x 80x 256x w，40x 40x 512x w，20x 20x 512x w x r的有效特征图(feature map)，在预测层，将backbone网络输出的三个特征层进行回归、采样及融合等操作提取出三个更好的特征层，然后经过Rep和conv生成结果的边界框和预测类别。Head网络部分相对以往Yolo的变化最大，其中Anchor
‑
Based变成了Anchor
‑
Free并且由原先的耦合头变成了解耦头(Decoupled
‑
Head)，即通过两个头分别对检测(reg)和分类(cls)进行输出。
[0006]基于Yolo系列和Faster R
‑
CNN等目标检测算法评估果实产量的研究已经取得一定成果，但是在自然环境的应用中仍难以克服模型检测精度低、泛化能力较差以及检测速度慢等问题。主要原因有以下几点：
[0007]模型的结构过于简单，未针对待测目标进行网络结构的改进，Yolo的原始网络结构在小目标检测上不具有明显优势；
[0008]建模数据集来源于实验室、网络渠道或者树体局部，数据集的果实特征不充足，致
使模型在训练的过程中阅读、学习的目标特征不充分；
[0009]实践应用时，受到光线，特别是强光照的影响，模型预测的准确度会明显下降；
[0010]把目标检测算法与其它的图像分析模型或技术结合，增加了整体网络结构，提高了预测精度，但其复杂的网络结构，也对检测速度和检测设备提出更高的要求；
[0011]不同树种、不同品种的水果的树冠大小、叶果比例、果实纵横径大小、果实的色泽以及果实密度(相互遮挡程度)等因素均构成影响果实产量评估的重要因素，单一模型、单一系数事实上是无法应用于评估多种水果的数量，因此，针对某一种水果需要针对性的建立评估模型；
[0012]实践中，部分果树枝叶和果实的密度不同，导致遮挡程度不一，通过最简单的y＝ax线性函数去评估不同树体状态、不同品种水果的产量，可能会导致评估的结果不可靠。

技术实现思路

[0013]有鉴于此，本专利技术提供了一种基于Yolov8的柑橘树体果实产量评估方法，用于解决
技术介绍
中提到的问题。
[0014]为了实现上述目的，本专利技术采用如下技术方案：
[0015]一种基于Yolov8的柑橘树体果实产量评估方法，包括以下步骤：
[0016]获取柑橘果园果实图像，分为训练集、测试集和预测集；
[0017]对训练集和测试集中的果实进行标记；
[0018]获取开源Yolov8的代码，修改其主干网络结构，添加小目标检测层；在neck结构中添加CBAM模块；
[0019]配置数据集和预训练模型，利用训练集对Yolov8预训练模型训练；
[0020]得到训练模型，使用mAP@0.5和训练损失函数对训练结果进行初步评价。
[0021]可选的，在对预训练模型训练过程中使用Tensorboard实时观测训练的精度、loss以及recall的变化，出现异常及时调整。
[0022]可选的，还包括在Yolov8预训练模型中，添加计数模块，使预测的目标果实总数和预测过程使用的图片像素大小均呈现在输出图像的左上角。
[0023]可选的，还包括对预测集进行推理，用于提高预测值与实测值的相关性。
[0024]可选的，还包括建立最优果实数量评估方法，果实的实际数量由图片上的预测值，结合y＝1.2142x
‑
0.9564得到，其中，x表示Yolov8输出的图像显示出总的果实数量，y表示实际果实数量。
[0025]经由上述的技术方案可知，与现有技术相比，本专利技术公开了一种基于Yolov8的柑橘树体果实产量评估方法，有益效果在于：
[0026]1、基于Yolov8算法，训练损失函数loss在前15轮快速下降，平均精确度(mAP@0.5)在训练30轮次达到最优93.2％，模型性能优良，且轻量化；
[0027]2、提出以自然条件下的单侧完整树冠为一张柑橘果实图片建立数据集，数据集的果实目标特征丰富、自然，可能有助于提高模型的泛化能力；
[0028]3、增加了小目标检测层，即160*160*45，能够识别4*4以上的标的物，提高了模型识别柑橘果实的精度；
[0029]4、在上述Yolov8网络的neck结构中添加一种轻量级注意力模块CBAM
(Convolutional Block Attention Module)，有助于网络关注强光下的果实特征信息，帮助模型获得更好的准确率；
[0030]5、在输出层的网络结构中，添加一个计数模块，可在检测结果的图片上直接显示检测标的物的总数量，预测结果更直观；
[0031]6、根据预测值和实测值的相关性，建立初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Yolov8的柑橘树体果实产量评估方法，其特征在于，包括以下步骤：获取柑橘果园果实图像，分为训练集、测试集和预测集；对训练集和测试集中的果实进行标记；获取Yolov8开源代码，修改Yolov8主干网络结构，添加小目标检测层；修改Yolov8的neck网络，添加CBAM网络模块；配置数据集和预训练模型，利用训练集和测试集对Yolov8预训练模型训练；得到训练模型，使用mAP@0.5和训练损失函数对训练结果进行评价，使用预测集对训练模型进行深入评价。2.根据权利要求1所述的一种基于Yolov8的柑橘树体果实产量评估方法，其特征在于，在对预训练模型训练过程中使用Tensorboard实时观测训练的精度、loss以及recall的变化，出现异常及时终止，调整...

【专利技术属性】
技术研发人员：李永杰，金国强，邱晓莹，庞一波，高恒锦，朱潇婷，陈昊东，
申请(专利权)人：临海市特产技术推广总站临海市柑桔产业技术协同创新中心，
类型：发明
国别省市：