【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
【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YOLO...
【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。