基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法

目前蟹塘内水草清理以人工作业为主,劳动强度大,作业效率低,自动水草清理船能大幅降低劳动强度,提高作业效率,而确定蟹塘水草分布是规划水草清理船高效作业路径的关键基础。针对无人机采集的蟹塘水草图像中水草与岸边植被相似性高、难以准确区分等问题,该研究提出一种基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法。改进模型从降低模型大小和提高召回率的角度出发,首先基于RT-DETR(real-timedetectiontransformer)的HGNetv2(hierarchical graph network)轻量化网络结构重设主干特征提取网络,缩减模型体积;其次以Efficient Rep轻量化结构为基准重构颈部网络,在降低参数量的同时增强模型的多尺度特征融合能力;接着在特征提取层引入SegNext注意力机制,加强模型对蟹塘水草区域的敏感度。为了消除模型在识别过程中产生的冗余区域,进一步提高分割精度,采用二值化处理对分割结果进行优化,并结合图像处理算法对水草区域进行面积筛选;经过坐标转换后得到精确水草轮廓经纬度坐标。试验结果表明:改进模型对蟹塘水草具有良好的区分度和分割效果,其参数量和计算量分别为1.49 M和8.4 GFLOPs,召回率和平均精度均值分别为91.5%和95.6%,与原YOLOv8n-seg模型相比,模型体积减小了49.7%,分割速度提升了32.3%。在坐标转换试验中,水草定位精度平均误差为0.22 m,验证了改进模型能够满足蟹塘水草区域分割与定位要求。研究结果为后续水草清理船自动作业路径规划研究提供参考。