【技术实现步骤摘要】
本专利技术属于图形识别，具体涉及一种基于改进yolov8n的油茶树树冠突出树枝目标检测算法。
技术介绍
1、油茶，又名茶油树，是油脂含量较高且具有经济栽培价值的常绿灌木或小乔木的总称，在中国具有广泛的种植面积，其果实油茶籽具有很高的营养、药用及重要的经济价值，在油茶树的整个生长周期中，需要对油茶树进行田间管理，包括除草、喷洒农药以及树枝修剪等方面，其中树枝修剪作业对油茶树的生长及挂果起着十分重要的作用。特别是，修剪树冠突出树枝对于油茶树的生长发育和产量具有重要的影响。对树冠突出树枝的修剪主要是通过去除多余或长势过长的树枝来控制树形结构，以便更好地利用空间，达到延长油茶生长周期以及增加油茶产量的目的。此外，定期修剪还可以保持油茶林的健康和美观，防止树木倒伏等灾害。
2、目前对油茶树突出树枝的修剪在很大程度上依赖于人工操作，而传统的人工修剪方法主要依靠个人的经验和知识，通常作业效率较低、劳动强度大且容易出现误伤和质量不稳定等问题，如出现错剪、漏剪等。此外，人工修剪树冠突出树枝还可能需要使用梯子之类的工具，具有一定的危险性。因此，研究油茶树树冠突出树枝的智能化检测与识别算法具有十分重要的意义。
3、在此之前，较多学者已经开展了各种农作物的检测与识别研究，并得到广泛的应用。其中不乏使用传统的机器视觉算法，这些算法通常利用目标物的颜色、几何特征、形状等手工特征结合经典图像处理算法完成视觉的检测与识别任务。然而，由于实际环境中存在照明、背景等问题，导致传统机器视觉算法的特征信息提取能力受到限制，即仅使用手工特征的传统
4、而深度卷积神经网络是一种强大的抽象特征提取方法，在速度和精度方面优于传统的图像处理方法，甚至还能从复杂的背景图像中提取出更多有效特征信息，具有较好的鲁棒性与泛化能力。鉴于农业生产环境的复杂性以及深度卷积神经网络(dcnn)在图像识别与处理方面展现出的卓越性能，该技术已被广泛应用到农作物目标检测的各种任务之中。尽管针对各类农作物的检测与识别研究已积累了丰富的成果，然而专门针对油茶树树冠中突出树枝进行精确检测与识别的研究却相对匮乏。对于这一特定领域的研究，所采用的主要目标检测算法可大致划分为两大类：一类是多阶段网络结构，其典型代表包括rcnn、faster r-cnn以及cascade r-cnn等模型。这类网络由于其高精度的特性而备受关注，但同时因其计算流程涉及多个步骤，导致计算量较大，从而使得检测速度较慢，实时性表现不佳，不利于实际应用场景中的快速部署和应用。另一类则是单阶段网络架构，以ssd算法和yolo系列算法为代表。相较于多阶段网络，单阶段网络摒弃了区域提议网络进行回归预测的中间环节，因此检测速度显著提升，并且具有更高的实时响应能力。这种特性使得单阶段网络特别适合部署于移动端设备上，有利于实现对油茶树树冠突出树枝的实时、高效的检测与识别工作。
5、近年来，单阶段目标检测算法yolo在农业领域的应用研究得到了迅速的发展和广泛应用。其中yolov8因其卓越的推理效率、显著提升的目标检测精确度以及不断增强的泛化性能等突出优势，而在目标检测领域内广受青睐和广泛采用。该算法根据网络深度和宽度，可以分为五种网络模型变体：yolov8n、yolov8s、yolov8m、yolov8l和yolov8x，其中yolov8x尽管拥有最高的平均检测精度，但其计算速度相对最慢；相反，yolov8n由于具有较少的参数以及更快的运行速度，通常被优先考虑部署于资源有限的轻量级设备上。因此，本文选择以yolov8n作为基础网络模型架构，并对其进行创新性改进，旨在提升整体模型性能，使之更适合在运算能力有限的微型计算机或嵌入式系统环境下高效运行。通过优化后的模型结构设计，力求实现在此类硬件平台上达到识别精度与处理速度的理想平衡状态，从而有力推动油茶树整形修剪机器人在野外复杂环境中能够快速、实时地精准定位并识别油茶树树冠中的突出树枝，为实现智能化农业作业提供强有力的技术支持。
6、由于在野生环境中，油茶树树冠上的突出树枝特征与其他不需要进行修剪的油茶树枝特征有较高的相似性，同时考虑到油茶树冠突出树枝形态丰富多变，这导致检测与识别树冠突出树枝的难度相较于一般物体检测更为艰巨。加之自然环境中的光照条件存在不稳定性，会直接影响对油茶树树冠突出树枝的识别效果，因此，在户外自然环境中对油茶树树冠突出树枝的检测与识别是一项具有相当挑战性的任务。面对上述难点，急需研究出一种专门针对于检测与识别油茶树树冠突出树枝的目标检测算法，要求该算法对自然光照变化具备良好的鲁棒性，能有效捕获和分析各种形态下油茶树树冠突出树枝的特征信息，并且保证在野外自然环境中有良好的应用潜力和较高的推广价值。
7、在现有的研究中发现，有针对性地改进单阶段神经网络的模型结构，可以在一定程度上能够解决相关问题，以实现更高的识别精度或更快的推理速度。例如，现有技术提出了一种用于实时检测果园中不同生长阶段苹果的改进yolov3模型。该模型使用densenet对yolov3网络中分辨率较低的特征层进行处理，以提高网络性能，并建议使用图像增强技术来获取更多苹果图像，扩大数据集。另外还提出了一种使用基于通道剪枝的yolov4深度学习算法在自然环境中实时准确检测苹果花的算法。该算法在保持高map的同时，通过对模型进行通道剪枝，减少了模型参数、大小和推理时间。另外提出了一种基于改进yolov8s的草莓成熟度检测和分级模型。该模型在特征融合阶段中添加了swin transformer模块，以捕捉输入数据中的长距离依赖关系，并使用多头自注意机制提高模型的泛化能力。有一种基于yolov4-tiny的微小目标的青椒识别模型。该模型采用了一种自适应空间特征金字塔算法，并结合了注意力机制和多尺度预测的思想，以提高遮挡和小目标青椒的识别效果。还有一种基于yolov3的轻量级青芒果检测算法。该算法使用改进的多尺度上下文聚合(msca)模块来连接多层特征并进行预测，解决了yolov3中位置和语义信息不足的问题。对比实验表明，该算法在各种复杂照明场景下均能表现出良好的性能。还有一种基于yolov5的轻量级改进算法。以实现番茄果实的实时定位和成熟度检测，该算法使用通道剪枝减少模型大小，并使用遗传算法进行超参数优化以提高检测进度。还有一种基于yolov7的籽棉异纤识别模型。该模型通过引入convnext模块对yolov7网络进行了优化，并结合swin-transformer，从而有效提升了网络的特征提取能力。另外还有一种基于yolov5的玉米雄穗检测的新模型。该模型融合了协调注意力机制，显著提高了yolov5的检测性能，并增强了模型对目标位置敏感性和识别准确性。
8、虽然上述的方法能够解决特定场景下的检测任务，但是这些方法用于油茶树树冠突出树枝的检测与识别还是存在着一定的局限性。为了能够在野外自然环境中准确检测与识别油茶树树冠的突出树枝，本文提出了一种基于改进yolov8n的轻量级油茶树树冠突出树枝目标检测算法。
【技术保护点】
1.一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述S1具体包括步骤：
3.根据权利要求2所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述S2具体包括步骤：
4.根据权利要求3所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述离线数据增强具体包括：
5.根据权利要求4所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述S3具体包括步骤：
6.根据权利要求5所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述S4具体包括步骤：
7.根据权利要求6所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述S5具体包括步骤：
8.根据权利要求7所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于
9.根据权利要求8所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述S31中，所述图像预处理操作包括：输入图像进行在线数据增强，并按照模型在训练之前对输入图像的尺寸要求，将输入图像缩放到640×640的统一分辨率。
10.根据权利要求9所述的一种基于改进YOLOv8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述CBS包含卷积、归一化和S型线性单元激活函数为一个基本的卷积单元，CDCN模块包括两个CBS卷积单元、一个split操作、一个包含DCNv2的Bottleneck以及一个包含普通卷积的Bottleneck。
...【技术特征摘要】
1.一种基于改进yolov8n的油茶树树冠突出树枝目标检测算法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于改进yolov8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述s1具体包括步骤：
3.根据权利要求2所述的一种基于改进yolov8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述s2具体包括步骤：
4.根据权利要求3所述的一种基于改进yolov8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述离线数据增强具体包括：
5.根据权利要求4所述的一种基于改进yolov8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述s3具体包括步骤：
6.根据权利要求5所述的一种基于改进yolov8n的油茶树树冠突出树枝目标检测算法，其特征在于：所述s4具体包括步骤：
7.根据权利要求6所述的一种基于...
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。