一种基于YOLOv8的破碎大豆颗粒实例分割方法技术

本发明专利技术公开了一种基于YOLOv8的破碎大豆颗粒实例分割方法，构建了新的Particle Seg‑YOLOv8模型，该模型在检测头中融合了DBB模块，以加强特征通道之间的有效信息交互，精确提取破碎大豆颗粒的细节信息。在NECK结构中，基于ASF‑YOLO改进了特征融合模块，集成了Sobel边缘检测算子，以强化对破碎边缘的敏感性和识别能力，从而更清晰地捕捉到破碎颗粒的边缘特征。此外，本发明专利技术还用RFA卷积层替换了部分传统卷积层，以增强模型对空间特征的响应性，提高对小目标和破碎颗粒的检测能力。该改进模型在确保高计算效率的基础上，显著提升了破碎大豆的分割精度与鲁棒性，为农业领域中的破碎率检测和质量控制提供了更加精确的解决方案。

【技术实现步骤摘要】

本专利技术涉及计算机视觉与农业质量检测，具体涉及一种基于yolov8的破碎大豆颗粒实例分割方法。

技术介绍

1、在农业和粮仓中，破碎大豆的质量检测是确保产品质量和安全的重要环节。传统的人工检查方法由于效率低下且容易受人为因素影响，无法满足高效、精确的质量检测需求。随着计算机视觉和深度学习技术的快速发展，基于图像的自动化检测方法逐渐成为主流，但由于大豆颗粒的破碎状态和尺寸差异，传统的目标检测和实例分割方法在小目标和细节捕捉方面存在明显的不足，导致分割精度和鲁棒性不高。

2、当前，大豆分割任务中，常采用深度卷积神经网络(cnn)进行目标检测，但这些方法普遍依赖于传统卷积层和特征融合模块，无法充分挖掘破碎颗粒的细节特征。现有的yolo系列模型虽然在目标检测中表现优秀，但在实例分割任务中，尤其是在复杂背景下，面临着分割精度不高、边缘信息提取不充分的问题。因此，提升破碎大豆实例分割精度、增强模型对小目标和复杂细节的捕捉能力，成为当前农业质量检测领域亟待解决的技术难题。

技术实现思路

1、针对上述存在的技术不本文档来自技高网...

【技术保护点】

1.一种基于YOLOv8的破碎大豆颗粒实例分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤二中，RFAConv卷积模块的具体实现方式为：在YOLOv8主干网络的P2、P3、P4、P5层中，将原卷积核参数与空间注意力权重按位置相乘，生成空间自适应的卷积核参数，解决参数共享问题，所述空间注意力权重通过特征图的空间位置信息计算得到。

3.根据权利要求1-2任一项所述的方法，其特征在于,步骤三中，采用水平方向卷积核和垂直方向卷积核分别对输入特征图进行卷积，得到水平方向和垂直方向的梯度图像edge_x和edge_y，计算梯度幅值其中∈为稳...

【技术特征摘要】

1.一种基于yolov8的破碎大豆颗粒实例分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤二中，rfaconv卷积模块的具体实现方式为：在yolov8主干网络的p2、p3、p4、p5层中，将原卷积核参数与空间注意力权重按位置相乘，生成空间自适应的卷积核参数，解决参数共享问题，所述空间注意力权重通过特征图的空间位置信息计算得到。

3.根据权利要求1-2任一项所述的方法，其特征在于,步骤三中，采用水平方向卷积核和垂直方向卷积核分别对输入特征图进行卷积，得到水平方向和垂直方向的梯度图像edge_x和edge_y，计算梯度幅值其中∈为稳定常数。

4.根据权利要求1-3任一项所述的方法，其特征在于，步骤四中，在检测头的四个卷积块中，引入包含1x1卷积、3x3卷积及平均池化的多分支结构，各分支输出经bn层标准化后，通过自适应权重公式：进行加权融合

5.根据权利要求1-4任一项所述的方法，其特征在于，步骤五中，segment_dbb模块的分割预测方式为：对p3、p4、p5层特征图分别进行上采样至相同分辨率，通过拼接操作融合多尺度特征，结合dbb模块输出的分类概率与边界框信息生成最终分割掩码...

【专利技术属性】
技术研发人员：杨春雨，胡子扬，李志鑫，尚亚强，周林娜，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：