System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及农业蓝莓果实检测,具体涉及一种基于改进yolov8和迁移学习的蓝莓果实检测方法。
技术介绍
1、在计算机视觉领域的蓬勃发展下,物体检测技术广泛应用于农业领域,其中水果的检测与识别对于农业生产和品质控制具有重要意义。计算机视觉技术可以用于检测和识别作物,实现自动化的收获和品质控制。针对蓝莓果实检测而言,传统的人工采摘和检测方式效率低下,而引入先进的计算机视觉算法能够提高检测准确性,减轻人工劳动压力,并在大规模农业生产中发挥关键作用。
2、果实成熟度是决定水果最佳采收期的重要指标。不同品种和生长环境下的水果成熟速度有所不同,而水果作为生食鲜销时,要适时采收。过早采收会影响果实品质,过晚会降低耐贮运性能,所以需要精确的成熟度检测来确定水果最佳采摘时机。
技术实现思路
1、本专利技术的目的在于,提出一种基于改进yolov8和迁移学习的蓝莓果实检测方法,通过使用迁移学习预训练的模型或特征,可以显著减少训练新模型所需的时间和计算资源,且该方法提高了蓝莓果实检测的准确性和鲁棒性。
2、为实现上述目的,本申请提出的一种基于改进yolov8和迁移学习的蓝莓果实检测方法,包括:
3、获取蓝莓大棚中的蓝莓果实图像数据集以及网络上公开的水果图像数据集;
4、对蓝莓果实图像数据集进行标注,未成熟的蓝莓标注为unripe,成熟的蓝莓标注为ripe;
5、对yolov8检测模型进行改进优化;
6、使用水果图像数据集对改进后的y
7、通过微调后的yolov8检测模型得出蓝莓果实检测结果。
8、进一步的,所述yolov8检测模型,在其backbone主干网络中添加一层改进的多路协调注意力模块mpca;
9、所述多路协调注意力模块mpca是基于ca模型改进的,针对原ca模型两个通道注意力卷积对特征提取能力弱的缺陷,增加一个卷积通道即第三通道,该第三通道通过全局平均池化和卷积操作获得一组特征,该组特征与第一通道获得的特征、第二通道获得的特征相乘,进一步增加特征提取能力;实现一个多支路协调的注意力机制。
10、进一步的,所述ca模型中,ca注意力机制是一种通道注意力的机制。其通过对每个通道执行全局平均池化操作来获取通道的全局特征,然后使用全连接层来学习通道之间的关系,生成通道注意力向量,用于调整每个通道的重要性。
11、进一步的,所述yolov8检测模型,在head部中引入线卷积重参数化模块orepa,通过可学习的参数,动态调整卷积核的权重;
12、所述orepa模块,是一种在线卷积重新参数化的模型结构,这是一种两阶段的通道,第一阶段线性化块,去除所有非线性bn层,并引入线性缩放层;第二阶段压缩模块,将复杂的线性化块简化为单一的卷积层;通过将复杂的训练时间块压缩到单个卷积中来减少巨大的训练开销,使之能够简化复杂的训练时间和重参数化。
13、进一步的,所述yolov8检测模型,引入了多尺度分离和遮挡处理模块multiseam,更有效地应对蓝莓果实遮挡问题;
14、所述多尺度分离和遮挡处理模块multiseam实现过程为:第一部分采用带有残差连接的深度可分离卷积,所述深度可分离卷积逐个通道进行分离卷积操作,可以有效减少参数量。另一部分,将不同深度卷积的输出通过逐点卷积进行组合。这个过程有助于捕捉通道之间的信息关系,提高了模型对复杂遮挡情况的处理能力。特别是在对nms阈值非常敏感的情况下,减少漏检现象。
15、更进一步的,所述yolov8检测模型,通过非极大值抑制nms抑制重叠的边界框,以确保最终的检测结果具有多样性且不重复,实现方式如下所示:
16、
17、area(a∪b)=ωa×ha+ωb×hb-area(a∩b)
18、其中,ωa,ha是边界框a的宽度和高度,ωb,hb是边界框b的宽度和高度;而area(a∪b)是边界框a和b交集区域的面积;area(a∩b)是边界框a和b并集区域的面积;
19、比较交并比iou和一个设定的阈值;如果两个框的交并比iou大于该阈值,则认为它们高度重叠,移除其中得分较低的框,从而减少可能由于遮挡而导致的重复检测。
20、更进一步的,在多尺度分离和遮挡处理模块multiseam基础上,结合多种不同尺寸的卷积层,获取卷积特征图,进而将不同尺寸的特征图融合,以更全面地涵盖小目标信息。使其更有效地适应各种目标检测任务。
21、更进一步的,对改进后的yolov8检测模型微调分为两个阶段,即冻结阶段和解冻阶段;以获取更多的蓝莓特征,跳出局部最优解。
22、本专利技术采用的以上技术方案,与现有技术相比,具有的优点是:本专利技术为采摘蓝莓提供了技术基础,提高了采摘机器人的工作效率,相比于传统的检测方法,优化后的蓝莓检测方法有望提高在小样本数据上的性能,以及改善遮挡导致的精度较低问题,对密集目标检测也有较好的表现。因此,通过将改进的yolov8与迁移学习相结合,提高了蓝莓果实检测的准确性和鲁棒性;并且极大地提高了计算效率。该方法基于计算机视觉技术的农业创新不仅能够增加农产品产量和质量,精准化把控农产品的识别检测采摘过程,还有助于实现可持续农业发展。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,包括:
2.根据权利要求1所述一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,所述YOLOv8检测模型,在其backbone主干网络中添加一层改进的多路协调注意力模块MPCA;
3.根据权利要求2所述一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,所述CA模型中,通过对每个通道执行全局平均池化操作来获取通道的全局特征,然后使用全连接层来学习通道之间的关系,生成通道注意力向量。
4.根据权利要求1所述一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,所述YOLOv8检测模型,在Head部中引入线卷积重参数化模块OREPA;所述线卷积重参数化模块OREPA是一种两阶段的通道,第一阶段线性化块,去除所有非线性BN层,并引入线性缩放层;第二阶段压缩模块,将线性化块简化为单一的卷积层。
5.根据权利要求1所述一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,所述YOLOv8检测模型,引入了多尺度分离和遮挡处
6.根据权利要求5所述一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,所述YOLOv8检测模型,通过非极大值抑制NMS抑制重叠的边界框,实现方式如下所示:
7.根据权利要求5所述一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,在多尺度分离和遮挡处理模块MultiSEAM基础上,结合多种不同尺寸的卷积层,获取卷积特征图,进而将不同尺寸的特征图融合,以更全面地涵盖小目标信息。
8.根据权利要求1所述一种基于改进YOLOv8和迁移学习的蓝莓果实检测方法,其特征在于,对改进后的YOLOv8检测模型微调分为两个阶段,即冻结阶段和解冻阶段。
...【技术特征摘要】
1.一种基于改进yolov8和迁移学习的蓝莓果实检测方法,其特征在于,包括:
2.根据权利要求1所述一种基于改进yolov8和迁移学习的蓝莓果实检测方法,其特征在于,所述yolov8检测模型,在其backbone主干网络中添加一层改进的多路协调注意力模块mpca;
3.根据权利要求2所述一种基于改进yolov8和迁移学习的蓝莓果实检测方法,其特征在于,所述ca模型中,通过对每个通道执行全局平均池化操作来获取通道的全局特征,然后使用全连接层来学习通道之间的关系,生成通道注意力向量。
4.根据权利要求1所述一种基于改进yolov8和迁移学习的蓝莓果实检测方法,其特征在于,所述yolov8检测模型,在head部中引入线卷积重参数化模块orepa;所述线卷积重参数化模块orepa是一种两阶段的通道,第一阶段线性化块,去除所有非线性bn层,并引入线性缩放层;第二阶段压缩模块,将线性化块简化为单一的卷积层。
5.根据权利要求1所述一种基于改进yolov8和迁移学习...
【专利技术属性】
技术研发人员:盖荣丽,刘勇,高进,王鹏飞,王康,
申请(专利权)人:大连大学,
类型:发明
国别省市:
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。