一种基于改进YOLOv8s的麦穗检测方法技术

技术编号：39972710 阅读：10 留言：0更新日期：2024-01-09 00:54

一种基于改进YOLOv8s的麦穗检测方法，适用于改善大田复杂环境下的麦穗检测问题，以实现麦穗的快速识别和有效计数。首先本发明专利技术使用FasterBiNetBlock对Backbone网络中的C2f模块进行替换，它可以降低模型参数，减少了计算冗余以及内存访问的数量，还可以使模型细化特征，从而使检测时更加关注小麦麦穗，抑制麦秆、麦叶等背景因素的干扰。其次，本文提出一种新型网络结构EQFPN对Neck网络进行加强，使模型同时具有量化友好和硬件友好的特性。最后，引入triplet注意力模块，用于捕获跨维度依赖关系和麦穗特征，同时也降低了麦穗检测时误检、漏检等问题。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于小麦估产技术和小目标检测领域，具体涉及基于改进yolov8s的麦穗检测技术。

技术介绍

1、粮食安全是国家经济稳定和可持续发展的基础。小麦作为世界上最重要的粮食作物之一，被广泛种植于全球各地。小麦产量的稳定对于维护全球粮食安全至关重要，同时也对农业生产经营决策提供了宝贵参考，影响着国家经济的繁荣和社会的稳定。因此，本专利技术将探讨与粮食生产密切相关的小麦麦穗检测和计数方法。近年来，随着计算机硬件性能的迅速提升，采用深度学习等先进技术的人工智能方法在小麦麦穗检测领域取得了显著的进展。深度学习模型能够自动从数据中学习特征表达，无需手动设计特征提取器，从而能够更好地适应不同类型的麦穗和不同环境条件。此外，小麦麦穗检测通常需要应对复杂的农田背景，传统方法可能受到背景干扰的影响，而深度学习模型在一定程度上能够学会如何分辨麦穗与背景。它不依赖于手工特征提取，具有强大的学习能力，从而提高了麦穗检测的准确性和鲁棒性。这些新技术的应用为小麦产量评估和农业管理提供了更高效、精确的工具，对于确保粮食安全和农业可持续发展具有重要意义。

2、在目前的深度学习中，yolov8s因其出色的性能表现以及在实时应用和准确性之间取得的平衡而被广泛应用。但是，尽管yolov8s在各个方面都非常完美，但在复杂场景中识别小麦麦穗时仍存在一些问题。例如大田环境下小麦穗分布稠密、重叠现象严重，会出现许多错检和漏检的现象；同时，麦穗尺度小、背景复杂，导致图像中难以区分和定位也影响了检测的速度。

技术实现思路

1、针对上述问题，本专利技术公开了一种基于改进yolov8s的麦穗检测方法，其在保证小麦麦穗检测准确率的前提下，能有效降低模型参数并且实现优化模型推理过程的目的，从而解决小麦图片中存在的遮挡、重叠以及无法准确检测和计数的缺陷。

2、本专利技术是一种基于改进yolov8s的麦穗检测方法，包括以下步骤：

3、步骤1，收集麦穗图像并对其进行标注，获得麦穗图像数据集，将小麦麦穗图像数据集划分为训练集、验证集和测试集；

4、步骤2，构建yolov8s麦穗检测网络模型；

5、步骤3，构建改进后的yolov8s的麦穗检测网络模型；

6、步骤4，将训练集输入改进后的yolov8s的麦穗检测网络模型进行训练；

7、步骤5，对改进的yolov8s的麦穗检测网络模型进行评价和测试，得到小麦麦穗图像检测结果；

8、本专利技术的有益效果是：1.改进特征提取模块，本专利技术引入fasterbinet模块来对原有的c2f模块进行替换，该结构减少了计算冗余以及内存访问的数量,还可以使模型细化特征，提高特征提取的能力，从而使检测时更加关注小麦麦穗，抑制麦秆、麦叶等背景因素的干扰。替换后的模型保留了更多小目标的语义信息在保持较强的特征表达能力的同时还降低模型参数量与计算量，并且不影响小麦麦穗检测时各种视觉任务的准确性。

9、2.本专利技术提出一种新型网络结构eqfpn对neck网络进行了加强，改进后的neck网络同时具有量化友好和硬件友好的特性，解决了麦穗检测时因量化性能太差而无法部署的问题，还解决了先前网络在部署的硬件上无法获得合适的精度和速度平衡的问题，更好地聚合了麦穗目标上下文信息，以有效提升对密集麦穗的检测精度和速度。

10、3.本专利技术在yolov8s中引入triplet注意力模块，用于捕获跨维度依赖关系和麦穗特征,有助于提高模型对麦穗的特征表示能力，可以更好地理解麦穗的外观和形状特征，降低了背景噪声对检测结果的影响，提高了麦穗检测的鲁棒性和准确性。

本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv8s的麦穗检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进YOLOv8s的麦穗检测方法，其特征在于，所述步骤1具体是指：采用实地摄影方式收集麦穗图像，创建一组小麦麦穗数据集；在晴、阴和多云3种天气状况下，分别对开花后，灌浆期，灌浆成熟期，成熟期不同阶段进行采集；共采集不含采样框的麦穗图像700张，图像分辨率为4 000像素×2600像素，原始图像随机裁剪为2737张1024像素×1024像素的麦穗图像，本文数据集扩充主要采用水平翻转和镜像翻转的方式将训练集进行扩充，从而增加数据集的多样性；使用开源标注软件LabelImg，手动标注采样框内角点和麦穗，并将标注的数据以符合PASCAL VOC数据集格式的方式进行存储。

3.根据权利要求1所述的基于改进YOLOv8s的麦穗检测方法，其特征在于，所述步骤2具体是指：构建YOLOv8s麦穗检测网络模型，其整体结构由三部分组成，它们依次连接，以完成目标检测任务；首先是Backbone网络，负责从输入图像中提取特征，其包括Conv模块、C2f模块、SPPF模块；接下来是N

4.根据权利要求1所述的基于改进YOLOv8s的麦穗检测方法，其特征在于，步骤3中，本专利技术提出FasterBiNet模块对原Backbone网络中的C2f模块进行全部替换，同时，在SPPF模块之前加入triplet注意力模块；最后，引入EQFPN模块，对Neck网络进行加强。

5.根据权利要求1所述的基于改进YOLOv8s的麦穗检测方法，其特征在于，所述步骤4具体包括：将训练集输入改进后的YOLOv8s的麦穗检测网络模型进行训练；并且模型训练参数设置如下：学习率＝0.001，动量＝0.9，衰减＝0.0005，批量大小＝16，轮次＝100。自适应动量估计用于优化训练模型。

6.根据权利要求1所述的基于改进YOLOv8s的麦穗检测方法，其特征在于，所述步骤5具体包括评估指标如下：精度、召回率、mAP@0.5；精度表示检测区域中包含真正的麦穗样本的概率，召回率表示检测图像中有多少麦穗目标被检测，AP衡量的是模型在每个类别上学习的好坏，mAP衡量的是训练出来的模型在所有类别上的好坏，mAP意义上是取所有类别上AP的平均值，具体计算公式如下：

...

【技术特征摘要】

1.一种基于改进yolov8s的麦穗检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进yolov8s的麦穗检测方法，其特征在于，所述步骤1具体是指：采用实地摄影方式收集麦穗图像，创建一组小麦麦穗数据集；在晴、阴和多云3种天气状况下，分别对开花后，灌浆期，灌浆成熟期，成熟期不同阶段进行采集；共采集不含采样框的麦穗图像700张，图像分辨率为4 000像素×2600像素，原始图像随机裁剪为2737张1024像素×1024像素的麦穗图像，本文数据集扩充主要采用水平翻转和镜像翻转的方式将训练集进行扩充，从而增加数据集的多样性；使用开源标注软件labelimg，手动标注采样框内角点和麦穗，并将标注的数据以符合pascal voc数据集格式的方式进行存储。

3.根据权利要求1所述的基于改进yolov8s的麦穗检测方法，其特征在于，所述步骤2具体是指：构建yolov8s麦穗检测网络模型，其整体结构由三部分组成，它们依次连接，以完成目标检测任务；首先是backbone网络，负责从输入图像中提取特征，其包括conv模块、c2f模块、sppf模块；接下来是neck网络，用于将不同层次的特征进行融合以增强检测性能，其采用fpn+pan的结构，其中fpn结构用于自上向下传递强语义特征...

【专利技术属性】
技术研发人员：李睿，孟君彦，武雁鹏，何玉环，李金龙，张迪，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人