基于改进YOLOv8n轻量化的人参外观质量精准识别

• Published in: 农业工程学报 Vol. 40; no. 24; pp. 274 - 282
• Main Authors: 张丽娟, 游浩海, 李芝贻, 魏湛郴, 贾浩杰, 于跃, 李东明
• Format: Journal Article
• Language: Chinese
• Published: 吉林农业大学信息技术学院,长春 130118 01.12.2024; 无锡学院物联网工程学院,无锡 214105%吉林农业大学信息技术学院,长春 130118; 无锡学院物联网工程学院,无锡 214105%吉林大学仪器科学与电气工程学院,长春 130012%吉林农业大学信息技术学院,长春 130118%无锡学院物联网工程学院,无锡 214105
• Subjects: 人参; 注意力机制; ginseng; attention mechanism; 外观质量; YOLOv8; 目标检测; 深度学习; appearance quality; deep learning; target detection; 图像识别; image recognition
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202405058

TP183; 针对人参分级特征微小差异对专业人员依赖性强的问题,同时为了降低人工劳动强度,提高人参外观质量检测精度,实现将模型方便快速部署到移动端,该研究提出了一种基于改进YOLOv8n的轻量级方法.该模型(简称为CGC-YOLOv8模型)首先将YOLOv8n的骨干网络的卷积替换为条件参数化卷积(conditional convolutional networks),这使模型能够根据输入数据的特征进行调整;其次,在颈部网络,引入一种细颈组合(GSconv+VoVGSCSP)降低模型的参数量和模型尺寸的同时,进一步提升模型检测性能;最后,加入坐标注意力机制(coordinate attention)模块,有效地整合了空间坐标信息到生成的注意力图中,使模型细化特征更加关注人参外观特征,从而提高了特征提取的能力.试验证明,在使用分级良好的人参批次采集的数据集上,该研究的CGC-YOLOv8模型在关键评价指标上,精确度、召回率和平均精度均值(mAP50、mAP50-95),分别达到85.70％、91.23％、94.69％、72.43％,与原模型YOLOv8n相比较分别提升了 2.74、4.64、3.71和4.9个百分点,与原YOLOv8n模型相比有显著提高,而且在模型大小和计算浮点数明显减少.研究结果可为人参等药材外观质量精准识别提供参考.