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。

基于改进YOLOv8n的轻量化茶叶嫩芽检测方法

为解决自然环境下茶叶嫩芽检测场景复杂,模型参数量大无法在嵌入式设备部署等问题,提出一种基于改进YOLOv8n的轻量化茶叶嫩芽检测方法。构建一种MFBNet轻量化骨干网络,引入MBConv模块后大大减少了模型计算量。同时在骨干网中加入CBAM注意力模块,抑制无效信息,提高了模型检测精度;其次引入AKConv模块对VoVGSCSPC结构进行改进,提出全新的AVCStem模块,并将其替换颈部网络的C2f模块,进一步减少模型参数,提升嵌入式设备部署效率;最后采用GSConv模块替换颈部网络结构中的全部Conv模块,帮助模型进行快速计算,提高茶叶嫩芽的检测速率。结果表明,本文提出的模型比YOLOv8n原模型的mAP50和FPS分别提升了3.5%、55.6%,参数量减少了14.3%,且模型鲁棒性强,满足复杂场景下茶叶嫩芽的轻量化快速检测。

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,m AP)、F1得分(F1 score,F1)分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。

改进YOLOv8n的花生品质检测方法

花生品质筛选在农业生产和食品安全中具有重要意义。针对传统花生品质筛选方法效率低的问题,提出改进YOLOv8n算法的轻量化花生品质检测模型LE-YOLO(lightweight and efficient)。提出一种分组重序颈部模块(grouped shuffling bottleneck,GSBottleneck),增加了模型非线性拟合能力,减少了模型推理时间;设计了残差分组重序模块(residual group shuffling block,ResGSBlock),并结合GSConv(grouped shuffle convolution)构建轻量颈部网络(lightweight neck,LW-Neck),减少了模型计算成本,提升了模型推理速度;提出自适应特征优化模块(adaptive feature optimization block,AFOB),增强了通道间信息交互和模型表征能力。在DW花生数据集上进行实验验证,相较于YOLOv8n算法,LE-YOLO的计算量减少了1 GFlops,FPS提升了25%,平均精度均值mAP@0.5达到了98%,验证了该算法在检测精度和速度上的良好性能,为花生品质筛选提供了一种有效的方法。

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YOLOv8n的无人机目标检测算法研究

针对低空无人机目标的误检漏检等问题,提出改进YOLOv8n的算法模型ASSM-YOLO。首先,添加小目标检测头并使用AFPN替换原有Neck结构,渐近融合低层与高层特征;其次,引入SA注意力机制增强对无人机目标的感知能力;再次,将主干网络卷积层替换为SPD-Conv,改善卷积过程中特征丢失问题;最后,替换损失函数MPDIoU Loss,优化回归损失计算。在DUT-UAV数据集上的实验表明:ASSM-YOLO算法的平均精度值R_(mAP@0.5)、R_(mAP@0.75)和R_(mAP@0.5∶0.95)结果为92.5%、72.2%和62.9%,较原YOLOv8n网络分别提升了5.9%、8.3%和6.5%,显著提升了无人机目标的检测精度。

基于改进YOLOv8n模型的多品种葡萄簇检测方法

葡萄簇目标的精准检测是实现估产、采摘等作业的前提,现有方法难以实现多品种葡萄簇的轻量化精准检测。为提高复杂自然场景下多品种葡萄簇检测准确性、鲁棒性与泛化性,提出一种基于改进YOLOv8n模型的多品种葡萄簇检测模型ESIC-YOLOv8n,该模型在YOLOv8n的Backbone和Neck网络中分别添加EMA和SA注意力模块,以加强网络的特征提取和多尺度特征融合能力,降低因遮挡或重叠对葡萄簇检测的干扰,提高检测精度和召回率;在Head把CIoU替换成Inner-CIoU,利用辅助框提高重叠目标检测的准确性,从而提升模型整体的检测准确性和泛化性。ESIC-YOLOv8n模型的检测精度为87.00%,召回率为81.60%,mAP为88.90%,F1值为84.21%,较原YOLOv8n模型分别提高1.05%、2.90%、1.48%和2.00%。结果表明,ESIC-YOLOv8n模型具有准确率高、泛化性好、轻量化等优点,可为葡萄产量估计、采摘等研究提供技术支持。

基于改进YOLOv8n的变电设备红外图像实例分割算法

变电设备是电网输变电过程的重要组成部分,为保证电网的正常运行,需对变电设备进行故障诊断,红外图像中变电设备的精确分割是故障诊断的关键步骤。针对红外图像复杂场景中变电设备分割时存在的分割精度低和漏分割的问题,提出一种基于改进YOLOv8n的变电设备红外图像实例分割算法。首先设计一种上下文引导的特征增强下采样块替换YOLOv8n中的下采样卷积层,充分利用上下文信息和全局信息,增强模型对复杂场景的理解能力;然后引入可变形卷积重构Backbone中的C2f模块,增强对不规则设备特征的提取能力;最后用Wise-IOUv2对损失函数进行优化,提高模型的泛化性和分类能力。使用变电设备红外图像数据集对该模型进行实验验证,实验结果表明,相较于YOLOv8n基准模型,本文所提方法的mAP50和mAP50:95分别提高了4.2%和3.5%,所提方法能够较好地解决复杂场景下设备漏分割的问题,有效提高变电设备实例分割的准确率。

基于改进YOLOv8n的轻量化分心驾驶检测算法

针对驾驶员分心驾驶检测领域中深度学习模型参数量大,在嵌入式设备上难以部署的问题,提出一种基于YOLOv8n的轻量化分心驾驶检测算法YOLOv8n-SGC。首先,构建ShuffleNetV2轻量化骨干网络,引入幻影卷积(GhostConv),减少模型参数量和计算量,实现模型轻量化;其次,在骨干网络后加入卷积和注意力融合模块(CAFM),融合全局和局部特征,提升算法检测精度。验证结果表明,相较于基准模型,改进模型的参数量和计算量都有所降低,且体积减小了28.67%,推理时间缩短了41.79%,mAP提高了1.1百分点。

基于改进YOLOv8n的煤矿井下钻杆计数方法

为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。

基于YOLOv8n的航拍图像小目标检测算法

针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值置零,在CBS后引入SE注意力机制扩张感受野,保留更多小目标特征。输出端检测头前嵌入高效多尺度注意力机制EMA获取更多细节信息,进一步提高小目标关注度。将基线网络损失函数CIoU替换成Wise IoU,提供增益分配策略,专注普通质量锚框,提高网络泛化能力。在数据集VisDrone2021和RSOD上做消融实验和对比实验,相较于基线算法,mAP@0.5分别提升5.1和7.2个百分点,mAP@0.5:0.95分别提升4.4和2.1个百分点,表明检测精度指标显著提升;在公开数据集VOC2007+2012上做泛化实验,mAP@0.5提升3.8个百分点,表明具有良好的鲁棒性。

基于SA-YOLOv8n的果园鸟类检测算法研究

针对果园中鸟类检测模型参数量大、小目标检测能力不强,以及目标框回归的准确性和鲁棒性不足等问题,提出了一种基于YOLOv8n优化、改进的SA-YOLOv8n果园鸟类检测模型。模型采用平滑、连续可导的Mish激活函数替换SiLU激活函数,在Backbone部分添加ShuffleAttention模块,减少了模型大小。在Neck部分添加了第四个输出层,用于检测4×4以上的目标,优化了小目标检测。采用SIOU边界框回归损失函数替代CIOU,进一步提高了目标框回归的准确性和鲁棒性。实验证明,改进后的SA-YOLOv8n模型在自制鸟类数据集上的平均精度(AP)达到了96.40%,而单张图片检测仅需0.7 ms。与原YOLOv8n模型相比,改进后的模型在保持检测速度稳定的前提下,AP提高了1.6个百分点,模型大小降低了0.21 MB。这一系列改进不仅提升了性能的同时,还对模型进行了轻量化处理。

基于改进YOLOv8n的机器人视觉系统目标识别算法研究

针对机器人视觉系统在开阔环境中检测精度低的问题,该文提出了基于改进YOLOv8n的目标检测算法。实验结果显示,在引入多尺度检测头和压缩-激励注意力模块后,YOLOv8n的准确率上升到82.3%,而在引入Ghost卷积后,算法的浮点运算数降低至11.6。同时基于改进YOLOv8n的目标检测算法在水面环境中的检测准确率可达83.6%,高于其他算法。上述结果表明,基于改进YOLOv8n的目标检测算法不仅检测精度高,且计算复杂度低。

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。

基于改进YOLOv8n的轻量化红花识别方法

为解决智能化采收中红花识别易受田间复杂环境、设备计算资源等限制的问题,该研究提出一种基于改进YOLOv8n的轻量化红花识别方法,以便将模型部署在移动端上进行目标检测。该研究应用Vanillanet轻量化网络结构代替YOLOv8n的骨干特征提取网络,降低了模型的复杂程度;将大型可分离核注意力模块(large separable kernel attention,LSKA)引入特征融合网络,以降低存储量和计算资源消耗;将YOLOv8n的损失函数从中心点与边界框的重叠联合(center intersection of union, CIoU)替换为动态非单调的聚焦机制(wise intersection of union, WIoU)提升检测器的总体性能;并选用随机梯度下降算法(stochastic gradient descent, SGD)进行模型训练,以提高模型鲁棒性。试验结果表明,改进后的轻量化模型每秒传输帧数(frames per second, FPS)为123.46帧/s,与原YOLOv8n模型相比提高了7.41%,而模型大小为3.00MB,仅为原来的50.17%,并且精确度(precision, P)和平均精度值(mean average precision, mAP)达到了93.10%和96.40%,与YOLOv5s与YOLOv7-tiny检测模型相比,FPS分别提高了25.93%和19.76%,模型大小为原模型的21.90%和25.86%,研究结果可为后续红花的智能化采收装备研发提供技术支持。

基于HGTC−YOLOv8n模型的煤矸识别算法研究

现有基于深度学习的煤矸识别方法在煤矿井下低照度、高噪声及运动模糊等复杂工况下存在煤矸识别精度低、小目标煤矸容易漏检、模型参数量和运算量大,难以部署到计算资源有限的设备中等问题,提出了一种基于HGTC−YOLOv8n模型的煤矸识别算法。采用HGNetv2网络替换YOLOv8n的主干网络,通过多尺度特征的有效提取,提高煤矸识别效果并减少模型的存储需求和计算资源消耗;在主干网络中嵌入三重注意力机制模块Triplet Attention,捕获不同维度间的交互信息,增强煤矸图像目标特征的提取,减少无关信息的干扰;选用内容感知特征重组模块(CARAFE)来改进YOLOv8n颈部特征融合网络上采样算子,利用上下文信息提高感受视野,提高小目标煤矸识别准确率。实验结果表明:①HGTC−YOLOv8n模型的平均精度均值为93.5%,模型的参数量为2.645×10^(6),浮点运算量为8.0×10^(9),帧速率为79.36帧/s。②平均精度均值较YOLOv8n模型提升了2.5%,参数量和浮点运算量较YOLOv8n模型分别下降了16.22%和10.11%。③与YOLO系列模型相比,HGTC−YOLOv8n模型的平均精度均值最高,且参数量和浮点运算量最少,检测速度较快,综合检测性能最佳。④基于HGTC−YOLOv8n模型的煤矸识别算法在煤矿井下复杂工况下,改善了煤矸识别精度低、小目标煤矸容易漏检等问题,满足煤矸图像实时检测要求。

基于改进YOLOv8n的织物疵点检测

针对纺织行业中织物疵点大小不一、织物表面图案复杂等问题,提出一种基于改进YOLOv8n的织物疵点检测算法。首先,在主干网络中用CAA模块替换C2f中的Bottleneck模块,应用两个深度条形卷积作为标准大核深度卷积的近似值来减少计算量,并捕获疵点图像多尺度特征;其次,添加LSKA注意力机制,在特征提取中减少织物表面复杂图案的干扰,提升对小目标的检测精度;最后,使用MPDIoU损失函数弥补原始损失函数的局限性,提高模型训练效率。试验结果表明:改进的YOLOv8n模型mAP值达到90.2%,相比于原始YOLOv8n模型提升了5.9个百分点,同时检测速度达到73帧/s。将改进的模型部署至试验平台进行测试,mAP值和检测速度分别为87.4%和65帧/s,可满足纺织企业对织物疵点检测准确性和实时性的需求。

基于YOLOv8n改进的织物疵点检测算法

为了解决织物疵点检测中小目标疵点难以检测的问题,提出了一种基于改进YOLOv8n算法的织物疵点检测系统。首先,在特征融合部分,采用了兼顾速度和精度的GSConv替代原有的卷积核,并引入了Slim⁃neck特征融合模块,使每个特征层能够同时考虑深层特征的语义信息和浅层特征的细节信息,提高了对小目标的特征响应,同时简化了模型并降低了计算复杂度。其次,设计了用于检测小疵点目标的检测层P2,增强了模型对小疵点目标的检测能力,使其更适用于织物疵点检测任务。最后,采用指数滑动样本加权函数(EMA⁃SlideLoss)替代了交叉熵损失函数,以增强模型的类别分类能力,提高训练的稳定性。试验结果表明:在检测20类疵点时,相较于YOLOv8n模型,该研究方法在mAP@0.5方面提高了0.142,同时实现了47.4帧/s的检测速度。改进的YOLOv8n模型对网络的性能提升是有效的。

基于轻量级YOLOv8n网络的PCB缺陷检测算法

针对PCB缺陷检测无法兼顾检测精度与模型体积的问题,提出一种基于轻量级YOLOv8n网络的PCB缺陷检测算法。首先,删除大目标检测层,新增小目标检测层并调整网络结构,使模型轻量化并提高检测精度。其次,将C2f模块结合GhostConv与DWConv设计出C2f-GhostD模块替换C2f模块,减少模型计算成本。然后,将PConv融入Detect模块中,设计出POne-Detect模块并应用于检测网络,精简网络结构。最后,在颈部网络添加SimAM注意力机制,提高信息捕获能力。实验结果表明,在PCB数据集中,该算法相较于YOLOv8n,参数量下降78.7%,模型体积减小73.7%,mAP0.5提升至98.6%,满足模型硬件部署需求。

基于改进YOLOv8n的复杂环境下柑橘识别

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP_(0.5)值为96.9%,召回率为91.7%,交并比阈值为_(0.5~0.95)的平均精度均值mAP_(0.5~0.95)值为85.8%,模型大小为5.8 MB,参数量为2.87 M。与原模型YOLOv8n相比,mAP_(0.5)值、召回率、mAP_(0.5~0.95)值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。