复杂场景下基于改进的YOLOv8s的脐橙检测方法

脐橙的高精度实时检测是智能化采摘的关键技术之一。采用YOLOv8s模型开展脐橙检测研究,并进一步从数据集扩充和模型改进两个方面解决误检和漏检问题。数据集扩充方面,通过加雾的方式扩充脐橙训练样本,使得模型能识别出图像中光线不佳区域处的脐橙。YOLOv8s模型改进方面,通过增加检测头和合并块注意力模块,以分别检测出被树叶遮挡和被其他脐橙遮挡的脐橙。实验结果表明,改进后的方法能获得更高的精确率、召回率和平均精确率均值。

自然环境下基于改进的YOLOv8s的脐橙检测方法

近年来,基于深度学习的目标检测算法发展极为迅速。YOLOv8s能够兼顾检测精度和速度,有利于脐橙智能化采摘的实现。本文分别从数据集扩充和YOLOv8s模型改进两方面提高脐橙的检测精度。数据集扩充方面,对晴天采集的脐橙图像进行加雨和加雾扩充,提高模型在复杂环境下的检测能力。模型改进方面,先将YOLOv8s颈部的特征融合改进为权重化的融合,以突出重要的特征;然后将YOLOv8s原浅层处的检测头更换至更浅层,以检测出因遮挡严重而表现为小的目标;最后,将YOLOv8s主干网络的第二个卷积改进为全维度动态卷积,以在卷积的空间、输入通道、输出通道和整个卷积核四个维度上关注重要特征。实验结果表明,与未对数据集扩充且采用原始YOLOv8s模型的方法相比,本文方法获得的精确率、召回率和平均精确率均值都得到大幅度提升。