基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法

针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。

基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。

基于改进YOLO v8n模型的散养蛋鸡个体行为识别方法与差异分析

家禽行为与其生理状态密切相关,可利用行为数据对家禽健康状况进行评估。统计个体行为数据需要进行蛋鸡行为识别和个体身份识别,针对行为识别过程中,蛋鸡体型小、聚集遮挡,养殖环境光照变化等因素导致的蛋鸡有效特征表达不足,个体行为识别效果不理想问题,基于YOLO v8n网络构建行为识别模型,同时融合ODConv、GhostBottleneck、GAM注意力和Inner-IoU结构,通过减少图像特征丢失,放大全局交互信息,融合跨阶段特征,增强特征提取及泛化能力对模型进行改进,提升了蛋鸡采食、饮水、站立、整理羽毛、俯身搜索5种行为的识别精度。同时基于YOLO v8n模型构建了个体身份识别网络,并通过引入MobileNetV3模块对个体身份识别网络模型进行优化,提升了个体行为数据统计效率。试验结果表明,优化后行为识别模型对采食、饮水、站立、整理羽毛、俯身搜索行为识别平均精度(AP)分别达到94.4%、93.0%、90.7%、91.7%、86.9%,平均精度均值(mAP)达到91.4%,与YOLO v5n、YOLO v6n、YOLO v7-tiny、YOLO v8n相比,平均精度均值(mAP)分别提高4.8、4.1、5.5、3.5个百分点;个体身份识别模型参数量和运算量与YOLO v8n模型相比,减少1.965 1×10^(6)和6.1×10^(9)。通过分析蛋鸡行为数据发现,行为数据与温度及蛋鸡个体本身有关,温度降低时,采食、站立次数增加,饮水次数减少,整理羽毛、俯身搜索次数几乎无变化,相同温度下,不同蛋鸡个体的行为数据差异较大,且差异值与蛋鸡体型有关。试验结果为依据行为数据评判蛋鸡健康状况、养殖场精准养殖及蛋鸡个体优选奠定了基础。

基于SAW-YOLO v8n的葡萄幼果轻量化检测方法

葡萄簇幼果果实受背景色、遮挡和光照变化的影响,检测难度大。为了实现对背景色、遮挡和光照变化具有鲁棒性的葡萄簇幼果检测,提出了一种融合随机注意力机制(Shuffle attention,SA)的改进YOLO v8n模型(SAW-YOLO v8n)。通过在YOLO v8n模型的Neck结构中融入SA机制,增强网络多尺度特征融合能力,提升检测目标的特征信息表示,并抑制其他无关信息,提高检测网络检测精度,在不明显增加网络深度和内存开销的情况下,实现了葡萄簇幼果的高效准确检测;采用基于动态非单调聚焦机制的损失(Wise intersection over union loss,Wise-IoU Loss)作为边界框回归损失函数,加速网络收敛并进一步提高模型的准确率。构建了葡萄簇幼果的数据集GGrape,该数据集由3780幅复杂场景下的葡萄簇幼果图像及对应标注文件组成。通过该数据集对SAW-YOLO v8n模型进行训练和测试。测试结果表明,基于SAW-YOLO v8n的葡萄簇幼果检测算法的精度(Precision,P)、召回率(Recall,R)、平均精度均值(Mean average precision,mAP)和F1值分别为92.80%、91.30%、96.10%和92.04%,检测速度为140.85 f/s,模型内存占用量为6.20 MB。与SSD、YOLO v5s、YOLO v6n、YOLO v7-tiny、YOLO v8n等5个轻量化模型相比,其mAP值分别提高16.06%、1.05%、1.48%、0.84%、0.73%,F1值分别提高24.85%、1.43%、1.43%、1.09%、1.60%,模型内存占用量分别降低93.16%、56.94%、37.63%、47.00%、0,是所有模型中最小的,具有明显的轻量化、高精度优势。讨论了不同遮挡程度和光照条件的葡萄幼果检测,结果表明,基于SAW-YOLO v8n的葡萄幼果检测方法能适应不同遮挡和光照变化,具有良好的鲁棒性。结果表明,SAW-YOLO v8n不仅能满足对葡萄簇幼果检测的高精度、高速度、轻量化的要求,且具有较强的鲁棒性和实时性。

基于改进YOLO v8n-seg的羊只实例分割方法

羊只实例分割是实现羊只识别和跟踪、行为分析和管理、疾病监测等任务的重要前提。针对规模化羊场复杂养殖环境中,羊只个体存在遮挡、光线昏暗、个体颜色与背景相似等情况所导致的羊只实例错检、漏检问题,提出了一种基于改进YOLO v8n-seg的羊只实例分割方法。以YOLO v8n-seg网络作为基础模型进行羊只个体分割任务,首先,引入Large separable kernel attention模块以增强模型对实例重要特征信息的捕捉能力,提高特征的代表性及模型的鲁棒性;其次,采用超实时语义分割模型DWR-Seg中的Dilation-wise residual模块替换C2f中的Bottleneck模块,以优化模型对网络高层特征的提取能力,扩展模型感受野,增强上下文语义之间的联系,生成带有丰富特征信息的新特征图;最后,引用Dilated reparam block模块对C2f进行二次改进,多次融合从网络高层提取到的特征信息,增强模型对特征的理解能力。试验结果表明,改进后的YOLO v8n-LDD-seg对羊只实例的平均分割精度mAP_(50)达到92.08%,mAP_(50:90)达到66.54%,相较于YOLO v8n-seg,分别提升3.06、3.96个百分点。YOLO v8n-LDD-seg有效提高了羊只个体检测精度,提升了羊只实例分割效果,为复杂养殖环境下羊只实例检测和分割提供了技术支持。

基于改进YOLO v8n的玉米田间杂草检测网络

针对3~5叶期玉米田间伴生杂草目标尺度小、玉米叶片遮挡严重、田间自然环境复杂等导致检测精度不高的问题,提出了一种基于改进YOLO v8n的玉米田间杂草检测算法。首先下载涵盖了黑麦草、芥菜、甘菊、藜麦等常见伴生杂草和玉米幼苗的图像,对图像进行翻转等数据增强方式增加样本多样性,提升模型识别和泛化能力。其次在YOLO v8n网络基础上,重新构建了轻量级跨尺度特征融合网络,增强模型多尺度特征融合能力,并输出一个针对小目标杂草的预测层,提升网络的检测精度。最后,在4个目标检测头前嵌入高效多尺度注意力机制EMA,使得检测头更加专注于目标区域。试验结果表明,本模型的平均精度均值提升了2.4百分点、杂草的平均精度提升了5.1百分点,模型内存用量和参数量分别减小了22.6%和26.0%;本模型与SSD-MobileNet v2、Efficientdet-D0及YOLO系列目标检测模型相比,平均精度均值至少提升了1.8百分点、识别杂草的平均精度至少提升了4.6百分点,并且模型内存用量和参数量都处在较低水平。本研究提出的玉米田间杂草检测模型在降低了模型内存用量和参数量的同时提高了检测精度,可为精准除草设备提供技术支持。

基于YOLO v8n-seg-FCA-BiFPN的奶牛身体分割方法

奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加权特征金字塔结构,提出了YOLO v8n-seg-FCA-BiFPN奶牛身体部位分割模型。其中,多尺度融合模块使模型更好地提取小目标几何特征信息,双向跨尺度加权特征金字塔结构实现了更高层次的特征融合。首先在奶牛运动通道处采集奶牛侧面图像作为数据集,为保证数据集质量,采用结构相似性算法剔除相似图像,共得到1 452幅图像。然后对目标奶牛的前肢、后肢、乳房、尾部、腹部、头部、颈部和躯干8个部位进行标注并输入模型训练。测试结果表明,模型精确率为96.6%,召回率为94.6%,平均精度均值为97.1%,参数量为3.3×10^(6),检测速度为6.2 f/s。各部位精确率在90.3%~98.2%之间,平均精度均值为96.3%。与原始YOLO v8n-seg相比,YOLO v8n-seg-FCA-BiFPN的精确率提高3.2个百分点,召回率提高2.6个百分点,平均精度均值提高3.1个百分点,改进后的模型在参数量基本保持不变的情况下具有更强的鲁棒性。遮挡情况下该模型检测结果表明,精确率为93.8%,召回率为91.67%,平均精度均值为93.15%。结果表明,YOLO v8n-seg-FCA-BiFPN网络可以准确、快速地实现奶牛身体部位精准分割。

基于FSLYOLO v8n的玉米籽粒收获质量在线检测方法研究

玉米籽粒破碎率和含杂率是评价玉米收获质量的关键指标。针对当前玉米籽粒直收机缺少适用于复杂田间作业环境的收获质量在线检测方法的问题,提出一种适用于小目标、多数量检测目标的玉米籽粒破碎率、含杂率轻量化检测方法。首先,根据图像中完整籽粒、破碎籽粒、玉米芯和玉米叶个体数量与个体质量的关系建立数量-质量回归模型,提出了籽粒破碎率和含杂率评估方法。其次,针对籽粒及杂质大小相近,检测物数量多,检测物面积小的特点,提出一种改进的FSLYOLO v8n算法。算法通过FasterBlock模块和无参数注意力机制SimAM改进主干网络结构,并通过使用共享卷积结合Scale模块对检测头进行改进。此外,使用SlidLoss函数替代YOLO v8n的原类别分类损失函数。FSLYOLO v8n模型的mAP@50为97.46%、帧速率为186.4 f/s,与YOLO v8n相比提高6.35%和45 f/s,且网络参数量、浮点运算量分别压缩到YOLO v8n的66.50%、64.63%,模型内存占用量仅为4.0 MB,其性能优于目前常用的轻量化模型。台架试验结果表明,提出的检测方法能够精准检测玉米籽粒破碎和含杂情况,检测准确率高达95.33%和96.15%。将改进后的模型部署在Jetson TX2开发板上,配合检测装置安装到玉米联合收获机上开展田间试验,结果表明,模型能够精准区分籽粒和杂质,满足田间工作需求。

基于YOLO-DCL的复杂环境油茶果遮挡检测与计数研究

为解决复杂环境中油茶果因遮挡造成的检测与计数难题,提出了一种基于双主干网络(Dual-backbone)和连续注意力特征融合模块(Consecutive attention feature fusion,CAFF)的检测模型。该模型结合了两种不同主干网络的优势,实现了对不同特征的高效提取。此外,设计了双输入单输出的连续注意力特征融合模块,取代了传统的拼接操作(Concat),优化了多尺度特征信息的融合策略。为了在精度与模型内存占用量之间取得平衡,采用了幻影卷积模块(Ghostconv),并去除了空间金字塔池化层(Spatial pyramid pooling fast,SPPF),加快了训练速度,减少了参数量。改进后的YOLO-DCL(YOLO dual-backbone&consecutive attention feature fusion&lightweight)模型在各类遮挡检测任务上表现优秀,平均精度均值达到92.7%,精确率为90.7%,召回率为84.9%,而模型内存占用量仅为5.7 MB。相较YOLO v8n模型分别上升4.0、8.6、2.3个百分点,内存占用量下降9.5%。该模型还具备油茶果遮挡类别的自动计数功能,可降低人工统计的劳动成本,适合在野外复杂环境中部署应用。

基于改进可变形卷积的FDC-YOLO v8水下生物目标检测方法研究

水下生物目标检测是实现水下机器人自动化捕捞的关键性技术。针对水下生物目标检测任务中存在的目标重叠、遮挡以及目标尺度小而导致的误检、漏检等问题,提出了一种基于改进YOLO v8n的水下生物目标检测算法FDC-YOLO v8。首先,在主干网络中使用融合可变形卷积网络的FDC模块,以增强模型特征提取能力,提升其提取特征的丰富度。其次,引入融合分数阶傅里叶变换和空间注意力机制的FrSAConv模块,进一步分离多样目标特征,增强模型对多种特征的感知能力。最后,引入Wise-IoU损失函数作为模型边界框损失函数,以更好地解决目标不平衡以及尺度差异的问题。使用RUIE数据集进行实验,水下生物包括海胆、海星、海参、扇贝。实验结果表明,改进后的FDC-YOLO v8的平均精度均值达到85.3%,较基准模型提升2.6个百分点,推理速度达到769 f/s,在目标重叠、遮挡以及小尺度目标的水下生物目标检测中有更好的表现。