admin管理员组文章数量:1531529
2024年6月15日发(作者:)
第13期
2023年7月
无线互联科技
WirelessInternetTechnology
No.13
July,2023
基于改进YOLOv8的苹果检测方法
(1.吉林化工学院,吉林
吉林
132022;2.吉林农业科技学院,吉林
吉林
132101;
3.一汽东机工减振器有限公司,吉林
长春
130001)
杜宝侠
1,2
,唐 友
1,2∗
,辛 鹏
1
,杨 牧
3
摘要:实现苹果自动检测对推动苹果生产管理自动化、智能化有着重要意义。为了解决当前苹果检测
方法准确率低、鲁棒性差等问题,文章提出了一种基于改进YOLOv8算法的苹果检测模型,通过引入
GAM注意力机制提升模型的检测精度。在苹果检测数据集上进行验证,基于改进的YOLOv8算法和
原始YOLOv8算法相比,mAP
0.5提高了1.7%,mAP0.5∶0.95提高了2.2%。实验结果表明,文章提
出的改进YOLOv8算法更能满足实际情况中对苹果检测的要求。
关键词:苹果检测;YOLOv8;注意力机制
中图分类号:S661.1;TP391.41 文献标志码:A
0 引言
我国是农业大国,水果生产和消费数量在世界上
位居前列,在众多水果中,苹果的种植面积和产量均
超过世界总量的50%,均居世界首位
[1]
。苹果生产是
我国农业经济发展的重要支柱,但我国的大部分苹果
生产还处于传统的农业模式阶段,在苹果生产管理过
程中需要耗费大量的人力物力,这也导致了生产效率
的低下和农民收入水平的不稳定。因此,推动苹果生
产过程的自动化、智能化发展具有重要意义。
近年来,现代农业结合计算机视觉技术的各种智
能设备在农业生产中的应用日益普及,并且成为农业
领域的研究热点。这些智能设备的应用极大地提高
了农业生产效率和精度,减少了对劳动力和资源的依
赖,并降低了农业生产成本,促进了农业的可持续发
展。具体到苹果的生产方面,计算机视觉技术可以通
过拍摄的图片或视频进行产量预测、病虫害识别,也
可以通过图像信息对苹果果实进行优劣分级等,这些
技术极大地推动了苹果生产管理的智能化发展。其
中,利用目标检测技术对苹果果实进行识别和定位,
从而帮助智能机器人实现自动采摘是一个重要的研
究方向。
在对苹果的检测方面,可以分为传统算法和基于
深度学习的算法两类。传统算法大多依赖于目标的
颜色、形状等外部特征来区分目标和背景
[2]
,存在特
征提取困难、模型泛化能力差、在环境变化时性能下
降严重等问题。近年来,基于卷积神经网络的深度学
习技术在目标检测领域取得了显著的成功,相较于传
统的机器学习方法,基于深度学习的目标检测技术场
景适应性强,精度更高。牟其松
[3]
简化了YOLOv3的
主干网络,并通过改进损失函数,提高了苹果检测的
精度;张中华等
[4]
提出了一种基于优化FCOS网络的
绿色苹果检测模型,通过改进特征融合FPN提高了
对绿色苹果的检测精度;Meili等
[5]
针对复杂环境下
的小苹果提出了一种平衡特征金字塔网络BFP
Net。
上述研究通过对先进目标检测算法进行改进,增强其
不容易部署等问题。
在实际的果园场景中,要实现苹果的实时检测,
不仅需要较好的检测精度,对检测的速度也有较高的
要求。因此,本文以单阶段目标检测算法中最先进的
YOLOv8模型为基础并加以改进,来实现苹果果实的
自动检测。
1 YOLOv8模型原理
1.1 YOLOv8模型结构
YOLOv8是YOLO系列最新的模型,具有非常优
检测苹果的能力,但仍存在模型较复杂、检测速度慢、
秀的检测精度和速度。根据网络的深度与特征图的
宽度大小,YOLOv8算法分为:YOLOv8
-
n、YOLOv8
-
s、
YOLOv8
-
m、YOLOv8
-
l、和YOLOv8
-
x5个版本。按
基金项目:吉林省科技发展计划项目;项目名称:基于数据挖掘技术的全基因组选择方法研发及云计算平
台体系构建;项目编号:YDZJ202201ZYTS692。
作者简介:杜宝侠(1998—
),男,山东泰安人,硕士研究生;研究方向:计算机视觉。
∗通信作者:唐友(1979—
),男,黑龙江龙江人,教授,博士;研究方向:生物信息学,农业信息化。
Copyright©博看网. All Rights Reserved.
—119—
第13期
2023年7月无线互联科技·研究创新
No.13
July,2023
照网络结构图,YOLOv8可分为:Input、Backbone、Neck
和Head
4部分。其中,Input输入端负责将输入图片
缩放到训练需要的尺寸,并包含缩放、改变图片色调
和Mosaic数据增强等数据增强操作;Backbone主干
网络用来进行目标特征的提取,由卷积模块
Conv、
C2f结构和YOLOv5中使用的SPPF模块构成;Neck
用来将不同维度的特征进行加强融合,其结构遵循特
征金字塔(Feature
PyramidNetwork,FPN)和路径聚
合结构(Path
AggregationNetwork,PAN),并删除了
YOLOv5上采样阶段的卷积操作;Head部分将加强后
的特征进行计算,最终得到不同目标的置信度和位
置。考虑到模型检测的速度和精度,本次实验以检测
速度最快的YOLOv8
-
n为基线模型,并在此基础上加
以改进。
1.2 数据增强
数据增强是在不改变图像重要信息的前提下,基
于有限的数据生成更多同样有效的数据的方法。可
以极大地丰富训练数据的多样性,从而使得训练后的
模型具有更强的泛化能力。改变图片的颜色和形状
是最基础和常见的数据增强方式,在本研究中,使用
随机改变图片的色调、饱和度、明亮度,同时对图片进
行随机缩放和平移这些传统的数据增强方式。除了
这些基础的数据增强方式外,有些研究还提出了更
高效的数据增强方式,如Mosaic等
[6]
。Mosaic数据
增强方法的主要思想是将4张图片随机裁剪缩放,
再拼接到一张图上作为训练数据。在本次实验中使
用传统数据增强和Mosaic方法相结合的数据增强
方式。
2 YOLOv8模型改进方法
2.1 GAM注意力机制原理
注意力机制可以赋予空间中不同通道或区域以
不同的权重,从而帮助模型专注于更重要信息的提
取。全局注意力机制(Global
AttentionMechanism,
GAM)
[7]
,可以通过减少信息缩减和放大全局交互表
示来提高深度神经网络的性能。该机制使用了通道
-
空间注意机制,在通道层面,GAM首先将输入特征图
进行维度转换,接着输入到MLP恢复原来的维度,最
后通过Sigmoid输出。在空间层面,GAM通过一系列
的卷积处理再送入Sigmoid输出,最终实现两个层面
注意力作用的叠加。GAM的整体模块如图1所示。
图1 GAM注意力机制原理
2.2 改进的模型结构
在YOLOv8模型的改进方面,将GAM注意力添
加在Neck和Head的连接部分,引入的GAM注意力
模块可以对通道和空间维度中的特征图信息进行自
适应学习,并对特征进行重新拟合和分配,帮助模型
更聚焦于苹果目标,提高了特征图中小目标的权重占
比,从而加强了模型对其特征的训练。最终改进的
YOLOv8网络模型如图2所示。
3 实验结果与分析
3.1 数据集
本实验使用的数据集来源为aistudio.
3.3 评估方法
为验证改进方法的有效性,使用P(Precision:精
处理器为2个
Intel(R)Xeon(R)Silver4110,GPU为
GeForceRTX3090,显存为24GB。模型训练框架为
Pytorch1.12.0,具体训练参数设置如表1所示。
度)、R(Recall:召回率)、mAP
0.5(Mean
Average
Precision:各类别在IOU
=
0.5下的AP平均值)和mAP
0.5∶0.95(Mean
AveragePrecision:各类别在不同IOU
下的AP平均值)作为模型评价指标。另外,TP(True
/aistudio/datasetdetail/93304,图像数量为
287张。其中,训练集、验证集和测试集的图像数量
分别为273张、14张和10张。如图3所示为数据集
示例。
3.2 实验环境
本文实验平台使用Ubuntu20.02操作系统,CPU
Positive)表示将正类预测为正类数,FN(False
Negative)表示将正类预测为负类数,FP(False
Positive)表示将负类预测为正类数,TN(True
Negative)表示将负类预测为负类数。对应的评价指
标计算方法如下。
精度是衡量模型识别出的真实阳性样本数占所
有被模型识别为阳性样本数的比例。精度越高,说明
模型识别出的阳性样本更准确,具有更好的准确性。
Copyright©博看网. All Rights Reserved.
—120—
第13期
2023年7月
无线互联科技·研究创新
No.13
July,2023
图2 改进后的YOLOv8结构
图3 数据集示例
表1 训练参数
参数名
LearningRate(学习率)
参数值
0.01
640
×
640
32
参数名
Momentum(梯度动量)
参数值
0.937
ImageSize(图片尺寸)
BatchSize(批量)
Epochs(迭代轮次)300
WeightDecay(权重衰减度)0.0005
计算公式如下:
TP
P
=
(1)
TP
+
FP
召回率是衡量模型识别出的真实阳性样本数占
所有真实样本数的比例。召回率越高,说明模型能够
更准确地识别出真实阳性样本,具有更好的鉴别能
力。计算公式如下:
TP
R
=
(2)
TP
+
FN
AP的定义为P
-
R曲线下面的面积,AP值越高,
模型的性能越好,mAP为各类别AP的平均值,可以
通过下列公式得到:
AP
=
(r
i
+
1
∑
i
=
1
n
-
1
mAP
=
3.4 实验结果与分析
为验证本文所用改进方法的有效性,通过使用相
m
1
AP
i
∑
i
=
1
m
-
r
i
)p(r
i
+
1
)(3)
(4)
Copyright©博看网. All Rights Reserved.
—121—
第13期
2023年7月无线互联科技·研究创新
No.13
July,2023
同的训练参数设置在数据集上进行实验,改进后的
YOLOv8模型检测精度和召回率明显提高,具体的数
值结果如表2所示,可以看出,通过添加GAM注意力
机制,模型的性能得到了有效提高。和原模型相比,
改进后的YOLOv8模型mAP
0.5提高了1.7%,
mAP
0.5∶0.95提高了2.2%。结果表明,改进后的
YOLOv8模型更能满足对苹果果实的检测要求。
表2 评价指标对比结果
P
0.934
R
0.81
0.92
mAP
0.5
算法
YOLOv80.941
0.958
mAP0.5∶0.95
0.498
0.52改进的YOLOv80.87
4 结语
为解决苹果果实的智能检测问题,提高智能设备
对苹果的检测能力,本文使用先进的YOLOv8目标检
测模型并加以改进,通过使用多种数据增强方法,增
加了模型的泛化能力。同时引入GAM注意力机制,
提升模型聚焦苹果的能力,并提高模型的检测性能。
最终的实验结果可知,改进后的YOLOv8算法具有较
高的检测精度,在640
×
640大小的图像输入下,
mAP
0.5达到了0.958,比原模型提高了1.7%,更加
适合部署到设备。未来的工作目标是要丰富苹果检
测场景,提升模型在复杂环境下的检测效果。
产业发展报告(精简版)[J].中国果菜,2022(2):
1
-
6.
[2]孙飒爽,吴倩,谭建昌,等.枝条遮挡下单个苹果
目标识别与重建方法的研究[J].西北农林科技大学
学报(自然科学版),2017(11):138
-
46.
[3]牟其松.基于深度学习的水果采摘通用检测模型
研究[D].天津:天津理工大学,2021.
[4]张中华,贾伟宽,邵文静,等.优化FCOS网络复杂
果园环境下绿色苹果检测模型[J].光谱学与光谱分
析,2022(2):647
-
53.
[5]MEILI
S,LIANCHENGX,XIUDEC,
net:balancedfeaturepyramidnetworkforsmallapple
detectionincomplexorchardenvironment[J].Plant
Phenomics,2022(1):1
-
19.
[6]BOCHKOVSKIY
A,WANGCY,LIAOHYM.
YOLOv4:optimalspeedandaccuracyofobjectdetection
[EB/OL].(2020
-
04
-
23)[2023
-
05
-
04].
/abs/2004.10934.
[7]LIU
YC,SHAOZR,
attentionmechanism:retaininformationtoenhance
channel
-
spatialinteractions[EB/OL].(2021
-
12
-
10)
[2023
-
05
-
04]./abs/2112.05561.
(编辑 沈 强)
参考文献
[1]霍学喜,刘天军,刘军弟,等.2020年度中国苹果
AppledetectionmethodbasedonimprovedYOLOv8
DuBaoxia
1 2
TangYou
1 2∗
XinPeng
1
YangMu
3
nstituteofChemicalTechnology Jilin132022 China
griculturalScienceandTechnologyUniversity Jilin132101 China
-
TokicoShockAbsorberCo. Ltd. Changchun130001 China
Abstract
Theimplementationofautomaticappledetectionisofgreatsignificanceforpromotingtheautomationand
rtosolvetheproblemsoflowaccuracyandpoorrobustnessof
currentappledetectionmethods thearticleproposesanappledetectionmodelbasedontheimprovedYOLOv8
algorithm whichimprovestothedetectionaccuracyofthemodelbyintroducingtheGAMattentionmechanism.
Verifiedontheappledetectiondataset basedontheimprovedYOLOv8algorithmandtheoriginalYOLOv8algorithm
mAP0.5improvedby1.7%andmAP0.5∶0.95improvedby2.2%.Theexperimentalresultsshowthattheimproved
YOLOv8algorithmproposedinthispapercanbettermeettherequirementsofappledetectioninpracticalsituations.
Keywords
appledetection YOLOv8 attentionmechanism
Copyright©博看网. All Rights Reserved.
—122—
版权声明:本文标题:基于改进YOLOv8_的苹果检测方法 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/shuma/1718439209a680937.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论