基于改进YOLOv8n的香梨目标检测方法

TP249%S24; 针对非结构化环境下香梨识别准确率低,检测速度慢的问题,该研究提出了一种基于改进YOLOv8n的香梨目标检测方法.使用 Min-Max 归一化方法,对 YOLOv3-tiny、YOLOv5n、YOLO6n、YOLOv7-tiny 和 YOLOv8n 评估选优;以YOLOv8n为基线,进行以下改进:1)使用简化的残差与卷积模块优化部分C2f(CSP bottleneck with 2 convolutions)进行特征融合.2)利用 simSPPF(simple spatial pyramid pooling fast)对 SPPF(spatial pyramid pooli...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 11; pp. 178 - 185
Main Authors 谭厚森, 马文宏, 田原, 张茜, 李梦瑶, 李孟卿, 杨旭海
Format Journal Article
LanguageChinese
Published 现代农业机械兵团重点试验室,石河子 832003 01.06.2024
石河子大学机械电气工程学院,石河子 832003%石河子大学机械电气工程学院,石河子 832003
农业农村部西北农业装备重点试验室,石河子 832003%石河子大学机械电气工程学院,石河子 832003
Subjects
image processing
fragrant pears
消融试验
目标检测
YOLOv8
ablation experiments
object detection
轻量化
图像处理
香梨
图像识别
image recognition
lightweight optimization
Online AccessGet full text

Cover

More Information
Summary:TP249%S24; 针对非结构化环境下香梨识别准确率低,检测速度慢的问题,该研究提出了一种基于改进YOLOv8n的香梨目标检测方法.使用 Min-Max 归一化方法,对 YOLOv3-tiny、YOLOv5n、YOLO6n、YOLOv7-tiny 和 YOLOv8n 评估选优;以YOLOv8n为基线,进行以下改进:1)使用简化的残差与卷积模块优化部分C2f(CSP bottleneck with 2 convolutions)进行特征融合.2)利用 simSPPF(simple spatial pyramid pooling fast)对 SPPF(spatial pyramid pooling fast)进行优化.3)引入了 PConv(partial convolution)卷积,并提出权重参数共享以实现检测头的轻量化.4)使用Inner-CIoU(inner complete intersection over union)优化预测框的损失计算.在自建的香梨数据集上,指标 F0.5 分数(F0.5-score)和平均精度均值(mean average precision,mAP)比原模型分别提升0.4和0.5个百分点,达到94.7％和88.3％.在GPU和CPU设备上,检测速度分别提升了 34.0％和24.4％,达到了 99.4和15.3帧/s.该模型具有较高的识别准确率和检测速度,为香梨自动化采摘提供了一种精确的实时检测方法.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202401161