【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于yolov8的蔬菜植株目标检测方法及装置。
技术介绍
1、在农业生产中，番茄植株计数对番茄生产具有重要意义。通过了解番茄植株的数量和分布情况，可以更好地规划和管理农田，提高生产效率和管理水平。目前，番茄植株的数量统计仍然采用人工计数的方法，通过人工在田间进行观察和计数，或使用简单的测量工具进行估算。但是人工计数的缺陷明显，效率低下，不仅需要大量的时间和人力，并且也无法快速准确地统计大量地番茄植株。人工计数容易受到个人主观原因和视觉误差导致结果精度不高。
2、为了提高番茄植株计数的效率和精度，研究者们开始尝试使用图像处理技术。图像处理技术可以通过对农田图像进行分析和处理，提取出番茄植株的数量和分布信息。然而，图像处理技术也存在一定的缺陷，该技术容易受到光照条件和背景因素的影响，导致无法准确识别和对番茄植株进行计数，且农田环境复杂，如遮挡、重叠和异常情况也对图像处理技术的准确性影响较大。
技术实现思路
1、本专利技术提供一种基于yolov8的蔬菜植株目标检测方法及装置，用以解决现有技术中图像处理易受环境影响以致影响蔬菜植株检测精度的缺陷，提高检测准确性和实时性。
2、本专利技术提供一种基于yolov8的蔬菜植株目标检测方法，包括：获取待检测蔬菜植株图像；将所述待检测蔬菜植株图像输入至目标检测模型中，得到所述目标检测模型输出的目标检测结果；其中，所述目标检测模型是根据植株训练图像和所述植株训练图像对应的目标真值训练得到的；
3、根据本专利技术提供的一种基于yolov8的蔬菜植株目标检测，所述目标检测模型，包括：特征提取层，基于注意力机制，对输入的待检测蔬菜植株图像进行特征提取，得到目标特征；特征融合层，对所述目标特征进行特征融合，得到融合特征；目标检测层，对所述融合特征进行目标检测，得到目标检测结果。
4、根据本专利技术提供的一种基于yolov8的蔬菜植株目标检测，所述特征提取层，包括依次相连的第一卷积单元、至少两个注意力提取单元、空间金字塔池化单元和感受野注意力卷积单元，且相邻所述注意力提取单元之间设有第二卷积单元，其中：所述第一卷积单元，对输入的待检测蔬菜植株图像进行卷积，得到第一特征图，并将所述第一特征图输入至对应相连的注意力提取单元中；所述注意力提取单元，对输入的第一特征图进行注意力特征提取，得到注意力特征图，并将所述注意力特征图通过对应相连的第二卷积单元输入至下一注意力提取单元；其中，所述第二卷积单元对上一注意力提取单元输出的注意力特征图进行卷积，并将卷积得到的注意力特征图输入至对应相连的下一注意力提取单元；下一注意力提取单元，接收所述第二卷积单元输入的注意力特征图，并对其进行注意力特征提取，并将提取的注意力特征图通过对应相连的第二卷积单元输入至下一注意提取单元，或将提取的注意力特征图输入至相连的空间金字塔池化单元；所述空间金字塔池化单元，对输入的注意力特征图进行多尺度特征融合，得到同一尺度的第二特征图；所述感受野注意力卷积单元，对所述第二特征图进行感受野空间特征提取，并结合所述第二特征图中的注意力特征，得到目标特征。
5、根据本专利技术提供的一种基于yolov8的蔬菜植株目标检测，所述注意力提取单元，包括：第一卷积模块，对输入的第一特征图或注意力特征图进行卷积，得到第一卷积特征图；分割模块，对所述第一卷积特征图进行分割操作，得到多个分支特征图，并将各分支特征图分别按对应分支通道分别输入至合并模块；所述合并模块，对输入的各分支特征图进行合并，得到合并特征图；第二卷积模块，对所述合并特征图进行卷积，得到第二卷积特征图；注意力模块，对所述第二卷积特征图进行注意力特征提取，得到注意力特征图。
6、根据本专利技术提供的一种基于yolov8的蔬菜植株目标检测，对所述第二特征图进行感受野空间特征提取，并结合所述第二特征图中的注意力特征，得到目标特征，包括：根据输入的第二特征图，聚合全局信息，并根据所述全局信息进行分组卷积，得到对应分组的感受野空间特征；基于各分组对应的感受野空间特征，结合所述第二特征图中的注意力特征，得到目标特征。
7、根据本专利技术提供的一种基于yolov8的蔬菜植株目标检测，在将所述待检测蔬菜植株图像输入至目标检测模型中之前，包括：获取植株训练图像和所述植株训练图像对应的目标真值；将所述植株训练样本作为训练使用的输入数据，将所述目标真值作为训练使用标签，对待训练模型进行训练，得到用于检测蔬菜植株的目标检测模型。
8、根据本专利技术提供的一种基于yolov8的蔬菜植株目标检测，所述获取植株训练图像和所述植株训练图像对应的目标真值，包括：获取原始训练样本，并对所述原始训练样本进行预处理；对预处理后的原始训练样本进行数据扩充，得到第一训练样本；其中，所述数据扩充包括旋转、平移、翻转和缩放中的至少一种；基于数据增强策略，对预设数量的第一训练样本进行数据增强，并将数据增强后的训练样本拼接成新的训练样本，得到第二训练样本；其中，所述数据增强策略包括缩放、翻转和色域变化中的至少一种；基于预设融合背景，对所述第二训练样本进行背景融合，得到植株训练图像，并生成对应目标真值。
9、本专利技术还提供一种基于yolov8的蔬菜植株目标检测装置，包括：数据获取模块，获取待检测蔬菜植株图像；目标检测模块，将所述待检测蔬菜植株图像输入至目标检测模型中，得到所述目标检测模型输出的目标检测结果；其中，所述目标检测模型是根据植株训练图像和所述植株训练图像对应的目标真值训练得到的；所述目标检测模型用于基于注意力机制对输入的待检测蔬菜植株图像进行特征提取、并对提取的特征进行目标检测，得到目标检测结果。
10、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于yolov8的蔬菜植株目标检测方法的步骤。
11、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于yolov8的蔬菜植株目标检测方法的步骤。
12、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于yolov8的蔬菜植株目标检测方法的步骤。
13、本专利技术提供的基于yolov8的蔬菜植株目标检测方法及装置，通过在特征提取过程中引入注意力机制，可以帮助模型自动地关注到图像中的特征，使模型更加灵活地学习到图像中的有效信息，在增强特征提取能力的同时，进一步提高目标检测的精度和性能；此外，根据输入待检测蔬菜植株图像的重要性动态地调整模型地注意力权重，从而优化模型地性能，同时也有助于在模型训练过程中及时发现和纠正模型中的问题以及便于更好的理解模型的决策过程，提高模型的准确性和泛化能力，在提高目标检测的准确性，对模型的进行本文档来自技高网...
【技术保护点】
1.一种基于YOLOv8的蔬菜植株目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于YOLOv8的蔬菜植株目标检测方法，其特征在于，所述目标检测模型，包括：
3.根据权利要求2所述的基于YOLOv8的蔬菜植株目标检测方法，其特征在于，所述特征提取层，包括依次相连的第一卷积单元、至少两个注意力提取单元、空间金字塔池化单元和感受野注意力卷积单元，且相邻所述注意力提取单元之间设有第二卷积单元，其中：
4.根据权利要求3所述的基于YOLOv8的蔬菜植株目标检测方法，其特征在于，所述注意力提取单元，包括：
5.根据权利要求3所述的基于YOLOv8的蔬菜植株目标检测方法，其特征在于，对所述第二特征图进行感受野空间特征提取，并结合所述第二特征图中的注意力特征，得到目标特征，包括：
6.根据权利要求1所述的基于YOLOv8的蔬菜植株目标检测方法，其特征在于，在将所述待检测蔬菜植株图像输入至目标检测模型中之前，包括：
7.根据权利要求6所述的基于YOLOv8的蔬菜植株目标检测方法，其特征在于，所述获取植株训练图像和
8.一种基于YOLOv8的蔬菜植株目标检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于YOLOv8的蔬菜植株目标检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于YOLOv8的蔬菜植株目标检测方法的步骤。
...【技术特征摘要】
1.一种基于yolov8的蔬菜植株目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于yolov8的蔬菜植株目标检测方法，其特征在于，所述目标检测模型，包括：
3.根据权利要求2所述的基于yolov8的蔬菜植株目标检测方法，其特征在于，所述特征提取层，包括依次相连的第一卷积单元、至少两个注意力提取单元、空间金字塔池化单元和感受野注意力卷积单元，且相邻所述注意力提取单元之间设有第二卷积单元，其中：
4.根据权利要求3所述的基于yolov8的蔬菜植株目标检测方法，其特征在于，所述注意力提取单元，包括：
5.根据权利要求3所述的基于yolov8的蔬菜植株目标检测方法，其特征在于，对所述第二特征图进行感受野空间特征提取，并结合所述第二特征图中的注意力特征，得到目标特征，包括：
6.根据权利...
【专利技术属性】
技术研发人员：张金梦，张倩，于峰，王明，郭建鑫，平阳，刘新，李刚，
申请(专利权)人：北京市农林科学院，
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。