【技术实现步骤摘要】
本专利技术涉及小目标检测领域，具体涉及一种基于改进yolov8的复杂场景下青脆李检测方法。
技术介绍
1、青脆李是一种在中国西南地区广泛种植的水果，具有较高的经济价值和市场需求。然而，随着市场对青脆李的需求日益增长，果实的采摘工作也面临诸多挑战。由于青脆李种植规模广、果实个头小且分布密集，传统的人工采摘过程不仅耗时费力，还可能会损坏果实。
2、现阶段，基于卷积神经网络(convolutional neural network,cnn)的智能化目标检测方法被逐步应用到的采摘作业中，现有的目标检测方法主要依赖于卷积核对不同尺度感受野的特征组合和抽象，由于青脆李具有其叶片与果实颜色非常相似，其果实密集，枝叶繁茂，且果实相对较小的特点，现有的目标检测方法在对青脆李进行检测时，存在青脆李易被漏检，且对小目标的提取效果不理想的问题，因此，为解决以上问题，需要一种基于改进yolov8的复杂场景下青脆李检测方法，能够提高青脆李检测的准确度，有效识别包含小目标果实的青脆李图像，提升对小目标的检测效果。
技术实现思路
1、有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供基于改进yolov8的复杂场景下青脆李检测方法，能够提高青脆李检测的准确度，有效识别包含小目标果实的青脆李图像，提升对小目标的检测效果。
2、本专利技术的基于改进yolov8的复杂场景下青脆李检测方法，包括如下步骤：
3、s1.采集不同场景条件下的青脆李图像，形成图像数据集；
4、s
5、s3.构建改进yolov8的目标检测模型，利用数据集对目标检测模型进行训练，得到训练好的目标检测模型；
6、s4.将待测的青脆李图像输入到训练好的目标检测模型，输出检测到的青脆李信息。
7、进一步，所述数据增强处理包括图像亮度调整、图像翻转、图像平移。
8、进一步，所述步骤s2，还包括：对增强后的数据集中远景图片进行切片增强处理：
9、将远景图片切割成多个可以重叠的小块图片，每个小块的尺寸为n×n像素，然后利用标注软件标注小块图片，通过在线对青脆李绘制矩形框以完整地包含整个青脆李，并生成含有青脆李矩形框位置信息的txt文件，所述txt文件储存了标注区域矩形框四个角的位置信息以及标注种类信息。
10、进一步，所述改进yolov8的目标检测模型以yolov8s-p2为基础网络，在yolov8s-p2的主干网络backbone中加入ema，实现像素级的注意力分配；采用afpn代替pafpn，支持非相邻层的直接特征融合；用mpdiou损失函数替换yolov8s-p2的检测头中的ciou损失函数。
11、进一步，ema将网络提取的青脆李原始特征图x∈rc×h×w作为输入，并沿x∈rc×h×w的通道维度方向把通道数划分为g组，得到g组子特征图集合：
12、[x0,x1,...xi,...xg-1]，其中，子特征图h和w分别表示垂直维度方向和水平维度方向的维数；c表示通道数；
13、将这g组的子特征图分别送入两个并行子网络中；
14、第一个子网络是卷积核为1×1的分支，在1×1的分支中进行处理，生成第一张1×h×w的空间注意力权重图；
15、第二个子网络是卷积核为3×3的分支，在3×3的分支中进行处理，生成第二张1×h×w的空间注意力权重图；
16、将第一张与第二张空间注意力权重图相加，将相加后的权重图运用sigmoid函数进行处理，生成新的注意力权重图，利用新的注意力权重图对子特征图进行矩阵乘法运算，输出突显青脆李目标区域的特征图。
17、进一步，在1×1的分支中进行处理，生成第一张1×h×w的空间注意力权重图，具体包括：
18、子特征图分别在水平维度和垂直维度方向进行一维平均池化，对应生成特征图和然后对生成的特征图和沿垂直维度进行拼接，利用1×1卷积核建立通道和空间位置信息的联系，分解出两个不同空间方向的特征图，经sigmoid激活函数处理后，生成水平维度和垂直维度方向的注意力权重图；
19、利用水平维度和垂直维度方向的注意力权重图与子特征图进行矩阵乘法运算来更新子特征图，将更新后的子特征图作为青脆李的中间特征图，中间特征图经过groupnorm后，依次进行avgpool和softmax两个操作，得到softmax后的特征图，将softmax后的特征图与子特征图经过3×3卷积核处理后的输出进行矩阵乘法运算，生成第一张1×h×w的空间注意力权重图。
20、进一步，在3×3的分支中进行处理，生成第二张1×h×w的空间注意力权重图，具体包括：
21、子特征图经过3×3卷积核处理后，再依次进行avgpool和softmax两个操作，将经过softmax后的特征图与1×1分支中经过groupnorm后的特征图进行矩阵乘法运算，生成第二张1×h×w的空间注意力权重图。
22、进一步，afpn的融合过程从两个相邻的低级特征开始，并渐进地将高级特征纳入融合过程，每次融合后都会生成一个新的特征图，作为下一次融合的输入之一。
23、进一步，在多级特征融合过程中，利用自适应空间融合为不同层级的特征分配不同的空间权重。
24、进一步，根据如下公式确定mpdiou损失函数lmpdiou：
25、lmpdiou＝1-mpdiou；
26、其中，a、b分别代表真实框和检测框，w、h分别代表目标图片的宽和高；所述目标图片为包括了真实框和检测框的图片；
27、
28、
29、代表a的左上角点坐标和右下角点坐标，代表b的左上角点坐标和右下角点坐标。
30、本专利技术的有益效果是：本专利技术公开的一种基于改进yolov8的复杂场景下青脆李检测方法，以yolov8s-p2为基础网络，设计了一种适用于复杂场景下青脆李小目标检测的改进后的yolov8模型，该模型首先在骨干网络中添加高效多尺度注意力模块，提升模型的前景背景区分能力；其次将路径聚合的特征金字塔网络替换为渐进式特征金字塔，并通过自适应权重融合低级特征和高级特征，增强特征表达能力；最后引入mpdiou作为回归损失函数，提高模型的定位精度，从而能有效识别包含小目标果实的青脆李图像，提升对小目标的检测效果，为实现青脆李的智能化采摘提供了技术支持。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：所述数据增强处理包括图像亮度调整、图像翻转、图像平移。
3.根据权利要求1所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：所述步骤S2，还包括：对增强后的数据集中远景图片进行切片增强处理：
4.根据权利要求1所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：所述改进YOLOv8的目标检测模型以YOLOv8s-p2为基础网络，在YOLOv8s-p2的主干网络Backbone中加入EMA，实现像素级的注意力分配；采用AFPN代替PAFPN，支持非相邻层的直接特征融合；用MPDIoU损失函数替换YOLOv8s-p2的检测头中的CIoU损失函数。
5.根据权利要求4所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：EMA将网络提取的青脆李原始特征图X∈RC×H×W作为输入，并沿X∈RC×H×W的通道维度方向把通道数划分为G组，
6.根据权利要求5所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：在1×1的分支中进行处理，生成第一张1×H×W的空间注意力权重图，具体包括：
7.根据权利要求5所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：在3×3的分支中进行处理，生成第二张1×H×W的空间注意力权重图，具体包括：
8.根据权利要求4所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：AFPN的融合过程从两个相邻的低级特征开始，并渐进地将高级特征纳入融合过程，每次融合后都会生成一个新的特征图，作为下一次融合的输入之一。
9.根据权利要求8所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：在多级特征融合过程中，利用自适应空间融合为不同层级的特征分配不同的空间权重。
10.根据权利要求1所述的基于改进YOLOv8的复杂场景下青脆李检测方法，其特征在于：根据如下公式确定MPDIoU损失函数LMPDIoU：
...【技术特征摘要】
1.一种基于改进yolov8的复杂场景下青脆李检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于改进yolov8的复杂场景下青脆李检测方法，其特征在于：所述数据增强处理包括图像亮度调整、图像翻转、图像平移。
3.根据权利要求1所述的基于改进yolov8的复杂场景下青脆李检测方法，其特征在于：所述步骤s2，还包括：对增强后的数据集中远景图片进行切片增强处理：
4.根据权利要求1所述的基于改进yolov8的复杂场景下青脆李检测方法，其特征在于：所述改进yolov8的目标检测模型以yolov8s-p2为基础网络，在yolov8s-p2的主干网络backbone中加入ema，实现像素级的注意力分配；采用afpn代替pafpn，支持非相邻层的直接特征融合；用mpdiou损失函数替换yolov8s-p2的检测头中的ciou损失函数。
5.根据权利要求4所述的基于改进yolov8的复杂场景下青脆李检测方法，其特征在于：ema将网络提取的青脆李原始特征图x∈rc×h×w作为输入，并沿x∈rc×h×w的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。