基于改进YOLO v8s的小麦小穗赤霉病检测研究

为实现大田复杂背景下小麦小穗赤霉病快速准确识别,构建了包含冬小麦开花期、灌浆期和成熟期3个生育期共计640幅的小麦赤霉病图像数据集,并提出一种基于改进YOLO v8s的小麦小穗赤霉病识别方法。首先,利用全维动态卷积ODConv替换主干网络中的标准Conv,提高网络对目标区域特征的提取;然后,在Neck网络使用改进Efficient RepGFPN特征融合网络实现低层特征与高层语义信息的融合,使模型能够提取更丰富的特征信息;最后,采用EIoU损失函数替换CIoU损失函数,加快模型收敛速度,进一步提高模型准确率,实现对小麦小穗赤霉病的快速、准确识别。在自建的数据集上进行模型验证,结果表明,改进模型(OCE-YOLO v8s)对小麦小穗赤霉病的检测精度达到98.3%,相比原模型提高2个百分点;与Faster R-CNN、CenterNet、YOLO v5s、YOLO v6s、YOLO v7模型相比分别提高36、25.7、2.1、2.6、3.9个百分点。提出的OCE-YOLO v8s模型能有效实现小麦小穗赤霉病精确检测,可为大田环境下农作物病虫害实时监测提供参考。

柑橘木虱YOLO v8-MC识别算法与虫情远程监测系统研究

柑橘木虱是黄龙病的主要传播媒介,其发生与活动可对柑橘果园造成毁灭性后果。为实现木虱虫情的高效监测,设计了一种集诱捕拍照、耗材更新、害虫识别与结果展示于一体的智能监测系统。设计了具备诱虫胶带自动更新、虫情图像实时获取功能的诱捕监测装置;应用选点裁剪、Mosaic数据增强(Mosaic data augmentation,MDA)和CA(Coordinate attention)注意力机制,改进了YOLO v8木虱识别模型;开发了Web和手机APP客户端,可实现虫情数据的可视化展示与远程控制。模型测试阶段,改进后的YOLO v8-MC召回率、F1值及精确率分别达到91.20%、91%、90.60%,较基准模型分别提升5.47、5、4.64个百分点;迁移试验中,模型召回率、F1值及精确率分别达到88.64%、87%、84.78%,且系统工作状态良好,满足野外使用需求。开发的智能监测系统能有效实现果园木虱虫情的远程监测,可为此类虫害防治管理提供有效手段。

基于YOLO v8和CycleGAN的红掌植株表型参数自动提取方法

植株表型参数是描述植物形态、结构和生理特征的定量化指标,可揭示植物生长规律,以及与环境因素之间的关系。现有的人工测量和激光雷达点云植株表型参数提取方法存在数据误差大、易损伤植株、成本高和数据量大等问题。为此,本文提出了一种基于YOLO v8和CycleGAN的红掌植株表型参数自动提取方法,利用双重注意力机制CBAM改进YOLO v8,提高模型特征提取能力,对红掌植株叶片进行检测与分割;通过Grabcut算法去除分割后图像背景区域特征,并利用VGG模型对其进行分类,分出完整型红掌植株叶片和缺失型红掌植株叶片;在CycleGAN的生成器中引入双重注意力机制和特征金字塔,提高模型多尺度特征的提取能力,引入SmoohL1损失函数,提升模型稳定性,对缺失型红掌植株叶片进行修复;提出一种表型参数提取算法(Phenotypic parameters extraction algorithms,PPEA),实现对红掌植株叶长、叶宽和叶面积的自动提取。以650幅自建数据集为例,对上述方法进行了比较与分析,实验结果证明,本文方法在红掌植株表型参数自动提取方面具有良好的效果。

基于轻量化YOLO v8s-GD的自然环境下百香果快速检测模型

为了提高百香果检测精度,并将深度学习模型部署在移动平台上,实现快速实时推理,本文提出一种基于改进YOLO v8s的轻量化百香果检测模型(YOLO v8s-GD)。使用聚集和分发机制(GD)替换颈部特征融合网络,提高模型对百香果图像特征信息跨层融合能力和模型泛化能力;通过基于层自适应幅度的剪枝(LAMP)修剪模型,损失一定精度换取减小模型体积,减少模型参数量,以实现在嵌入式设备上快速检测;运用知识蒸馏学习策略弥补因剪枝而损失的检测精度,提高模型检测性能。实验结果表明,对于自然环境下采集的百香果数据集,改进后模型参数量和内存占用量相比原YOLO v8s基线模型分别降低63.88%和62.10%,精确率(Precision)和平均精度(AP)相较于原模型分别提高0.9、2.3个百分点,优于其他对比模型。在Jetson Nano和Jetson Tx2嵌入式设备上实时检测帧率(FPS)分别为5.78、19.38 f/s,为原模型的1.93、1.24倍。因此,本文提出的改进后模型能够有效检测复杂环境下百香果目标,为实际场景中百香果自动采摘等移动端检测设备部署和应用提供理论和技术支持。

基于YOLO v8-GSGF模型的葡萄病害识别方法研究

为进一步提高葡萄病害识别精度及速度,本文对YOLO v8模型进行了改进。首先,引入GhostNetV2主干特征提取网络,提高模型特征提取能力和识别性能。其次,嵌入SPPFCSPC金字塔池化,在保持感受野不变的情况下取得速度上的提升。再次,添加GAM-Attention注意力机制,减小信息缩减并放大特征信息,加快识别速度。最后,使用Focal-EIoU作为损失函数,使检测模型边界框回归性能得到提升,最终形成葡萄叶片病害识别模型YOLO v8-GSGF(YOLO v8+GhostNetV2+SPPFCSPC+GAM-Attention+Focal-EIoU)。经识别试验验证,YOLO v8-GSGF模型识别精度可达97.1%,推理时间为45.3 ms,对各葡萄病害都能做到高精度识别。消融试验结果表明,各项改进均对模型识别性能有提升效果,其中,GhostNetV2主干网络对模型提升效果最为明显。YOLO v8-GSGF模型在消融试验中识别精度可达98.2%及推理时间为43.7 ms,与原YOLO v8模型相比提升8.6个百分点及20.4 ms,改进效果明显,可视化图更加直观地证明YOLO v8-GSGF模型可靠以及性能优越。与目前主流识别模型相比,YOLO v8-GSGF模型有更好的表现,识别精度和速度都更优,曲线图也直观地表明YOLO v8-GSGF模型性能优越,改进效果显著,能够满足葡萄果园病害识别的需求。

基于EP-YOLO v8的瓶栽金针菇最优抓取位置定位方法

针对工厂化瓶栽金针菇自动切根过程中,夹持末端因结构设计导致行程固定,进而影响抓取效果甚至切根质量的问题,本文基于YOLO v8(You only look once)构建改进的Enoki-pick_region-YOLO v8(EP-YOLO v8),实现瓶栽金针菇整体及最佳受力区域(关键抓取区域)的精准定位与轮廓提取,保障抓取参数的可靠性。该方法在网络优化基础上,基于最小欧几里得距离(Euclidean distance,ED)构建掩膜关系归属与判断模型,明确金针菇菇体与关键抓取区域掩膜间父子关系并合并优化。通过解析合并前后关键抓取区域的相对位置编码,确定抓取参数并进行坐标转换,为建立末端控制映射模型实现末端机械手运动行程的精确控制提供基础。实验结果表明,本文所提算法的金针菇菇体掩膜识别精确率达99.3%,关键抓取区域掩膜识别精确率达99.6%。同时,对比发现掩膜质量得到了提高,获取的参数抓取区域宽度与实际宽度之间的误差仅为0.7%,抓取参数基本满足抓取条件,能有效实现最优抓取位置的精准识别与定位。

基于改进YOLO v8s的羊只行为识别方法

羊只站立、行走、采食等日常行为与其健康状况密切相关,高效、准确的羊只行为识别有助于疾病检测,对实现羊只健康预警具有重要意义。针对目前羊只多行为识别检测大多基于传感器等接触式设备,羊只活动受限,行为具有局限性,且群体养殖环境下,羊只行为多样、场景复杂、存在遮挡等造成的行为识别精度低等问题,提出了一种基于改进YOLO v8s的羊只行为识别方法。首先,引入SPPCSPC空间金字塔结构增强了模型的特征提取能力,提升了模型的检测精度。其次,新增P2小目标检测层,增强了模型对小目标的识别和定位能力。最后,引入多尺度轻量化模块PConv和EMSConv,在保证模型识别效果的同时,降低了模型参数量和计算量,实现了模型轻量化。实验结果表明,改进YOLO v8s模型对羊只站立、行走、采食、饮水、趴卧行为平均识别精度分别为84.62%、92.58%、87.54%、98.13%和87.18%,整体平均识别精度为90.01%。与Faster R-CNN、YOLO v5s、YOLO v7、YOLO v8s模型相比,平均识别精度分别提高12.03、3.95、1.46、2.19个百分点。研究成果可为羊只健康管理和疾病预警提供技术支撑。

基于改进YOLO v8的牛只行为识别与跟踪方法

随着我国畜牧业的快速发展,牛只养殖由分散性养殖逐渐向精准化养殖转变。针对分散养殖中农户无法对每头牛只健康状况给予足够关注的问题,通过分析牛只行为模式结合视觉方向特征,设计了综合管理方法来准确识别和跟踪牛只行为。首先,采用改进YOLO v8算法对牛只进行目标监测,其中,在Backbone和Neck端使用C2f-faster结构,增强模型特征提取能力;引入上采样算子CARAFE,拓宽感受视野进行数据特征融合;针对牛只幼仔检测加入BiFormer注意力机制,以识别牛只小面积特征;更换动态目标检测头DyHead,融合尺度、空间和任务感知;然后,使用Focal SIoU函数,解决正负样本分配不均衡和CIoU局限性的问题。最后,将YOLO v8检测到的行为类别信息引入BoTSORT算法中,实现在复杂场景下牛只多目标行为识别跟踪。实验结果表明,提出的FBCD-YOLO v8n(FasterNet、BiFormer、CARAFE、DyHead)模型在牛只行为数据集上,相比较YOLO v5n、YOLO v7tiny和原YOLO v8n模型的mAP@0.5分别提升3.4、3.1、2.4个百分点,尤其牛只回舔行为识别平均精度提高7.4个百分点。跟踪方面,BoTSORT算法的MOTA为96.1%,MOTP为78.6%,IDF1为98.0%,HOTA为78.9%;与ByteTrack、StrongSORT算法比,MOTA和IDF1显著提升,跟踪效果良好。研究表明,在牛舍养殖环境下,本研究构建的多目标牛只行为识别跟踪系统,可有效帮助农户监测牛只行为,为牛只的自动化精准养殖提供技术支持。

基于改进YOLO v8的行李追踪技术

在机场行李分拣场景下,传统多目标追踪算法存在目标ID切换率高和目标轨迹误报率高的问题。提出一种基于改进YOLO v8和ByteTrack算法的行李追踪技术。增加了CBAM模块,替换ADH解耦头以及改变训练时的损失函数,增加了检测精度,加强了目标特征的判别性,降低目标的ID切换率。在Byte数据关联中进行了GSI插值后处理,不仅利用了高分框和低分框,也使得长时间遮挡后的追踪效果得到保证,降低了因遮挡产生的ID错误切换。在机场行李分拣数据集上,MOTA和IDF1分别达到了89.9%和90.3%,有了较为明显的提升,能稳定地实现对行李箱ID的追踪。

基于可变形卷积网络和YOLOv8的衬砌裂缝检测模型研究

为解决裂缝性状发育随机度高、标注框分辨率低、分布密集易重叠、目标相对小等因素引起的智能检测精度及效率差等问题,基于改进可变形卷积神经网络对YOLOv8骨干网络进行融合,提出1种能够适应隧道复杂场景的裂缝检测模型D-YOLO。模型首先对第3版可变形卷积网络(DCNv3)的空间聚合权重softmax归一化步骤进行去除以增强网络卷积效率,再利用新DCNv4对骨干网络C2f卷积模块进行融合以提升对网络图像中不同尺度裂缝性状及空间位置变化的细节感知能力,并采用自建裂缝数据集对SSD,Faster-RCNN,YOLOv5和YOLOv84种检测模型进行对比验证。研究结果表明:D-YOLO的F_(1)分数为80.82%,mAP@0.5为86.90%,相较于SSD、Faster-RCNN、YOLOv5和YOLOv8都有所提升;D-YOLO的单张图像检测速度为20.36 ms,相较于各种对比模型分别加快37.06%、65.33%、45.22%和28.39%;同时,D-YOLO对衬砌裂缝图像特征关注范围有所增加。研究结果可为隧道运营期内衬砌安全检测提供新思路。

基于PN-YOLO v8s-Pruned的轻量化三七收获目标检测方法

为实现三七联合收获作业过程中的自适应分级输送和收获状态实时监测,本文针对三七根土复合体特征和复杂田间收获工况,提出一种基于YOLO v8s并适用于Jetson Nano端部署的三七目标检测方法。在YOLO v8s对三七准确识别的基础上,针对其新的模型结构特性,利用通道剪枝算法,制定相应剪枝策略,保证模型精度的同时提升实时检测性能。采用TensorRT推理加速框架将改进模型部署至Jetson Nano,实现了三七目标检测模型的灵活部署。试验结果表明,改进后的PN-YOLO v8s-Pruned模型在主机端的平均精度均值为93.71%,参数量、计算量、模型内存占用量分别为原始模型的39.75%、57.69%、40.25%,检测速度提升44.26%,与其他目标检测模型相比,本文改进模型在计算复杂度、检测精度和实时性方面具有更好的综合检测性能。在Jetson Nano端部署后,改进模型检测速度达18.9 f/s,较加速前提升2.7倍,较原始模型提升5.8 f/s。台架试验结果表明,4种输送分离收获作业工况下三七目标检测的平均精度均值达87%以上,不同输送分离收获作业工况和不同流量等级下的目标三七计数平均正确率分别达92.61%、91.76%。田间试验结果表明,三七目标检测平均精度均值达84%,计数平均正确率达88.11%,图像推理速度达31.0 f/s。模型检测性能和计数效果能够满足复杂田间收获工况下目标三七的检测需求,可为基于边缘计算设备的三七联合收获作业自适应分级输送系统和收获作业质量监测系统提供技术支撑。

基于改进YOLO v8的轻量化稻瘟病孢子检测方法

稻瘟病由稻瘟病孢子通过空气进行传播,严重影响水稻产量,因此,稻瘟病孢子的检测对于稻瘟病早期诊断与防治具有重要作用。针对现有方法存在检测速度慢的问题,本研究基于YOLO v8模型提出了一种稻瘟病孢子检测方法RBS-YOLO。首先,该算法在主干网络中引入PP-LCNet轻量化网络结构,减少模型每秒浮点运算次数并降低模型内存占用量,其次在颈部网络中引入高效多尺度注意力模块(Efficient multi-scale attention module,EMA),并将原损失函数改进为WIOU损失函数,提高了模型识别稻瘟病孢子的精确率与平均精度均值。改进后的RBSYOLO模型精确率与平均精度均值分别为97.3%和98.7%,满足稻瘟病孢子的检测需求,模型内存占用量与每秒浮点运算次数分别为3.46 MB、5.2×10^(9),同YOLO v8n相比分别降低41.8%与35.8%。RBS-YOLO模型与当前主流的YOLO v5s、YOLO v7、YOLO v8n模型对比,每秒浮点运算次数分别降低67.3%、95.1%、35.8%。研究结果表明RBS-YOLO模型能够满足稻瘟病孢子实时检测的需求,且有利于部署到移动端。

FreeRTOS在SPARC V8处理器上的移植

FreeRTOS是一款免费的嵌入式操作系统,具有源代码公开、配置要求低、运行效率高、功能全面的特点,而基于SPARC V8架构的处理器被广泛应用于卫星遥测、遥控、姿轨控和自主管理等航天领域中。使用嵌入式操作系统可以提高SPARC V8星载应用程序的应用范围和可靠性,但目前SPARC V8架构国内尚未有FreeRTOS成功的移植案例。本文基于SPARC V8架构处理器,结合SPARC V8窗口机制的特点进行了FreeRTOS在此平台上的移植和调试工作。测试结果表明,FreeRTOS各项基本功能运行正常,可用于SPARC V8架构下星载应用程序的开发工作。

基于Yolo v8的物品识别系统优化分析

阐述YOLO v8对小目标物体识别精度的影响因素和改进方法。利用工业传送模拟场景进行仿真测试,表明在不涉及到核心算法的前提下,仅通过标注手法、图像简单预处理即可取得显著的效益。

FVIT-YOLO v8:基于多尺度融合注意机制的改进YOLO v8小目标检测

本文研究了遥感与无人机航拍图像中的小目标检测问题。由于这类图像存在目标尺度小、目标分布密集、背景复杂等特点,使得特征提取困难。目前针对小目标检测的算法,为了提升精度,大多忽略了参数量与推理速度的影响,这使得算法缺乏实用性。针对上述问题,本文提出了一种基于轻量化的多尺度融合注意机制的改进YOLO v8小目标检测算法。算法首先在YOLO v8的FPN结构中加入F算子,设计了多尺度特征的加权融合;然后在网络预测层剔除了P4、P5预测层,加入P2层用于小目标的预测;最后对轻量化自注意力机制进行图像输入网格化分割整合改进,并用它替换了FPN中的C2f模块,使得算法具有更好的全局感知能力,并大幅降低了参数量。与YOLO v8s相比,本文算法在DOTA数据集上的mAP提升了4.4%,网络参数量下降了52%,FPS达到了46帧/s。在VisDrone数据集中,本算法在精度上提升了8.2%。

基于YOLO-v8的复杂施工场景危险源识别方法应用

基于机器视觉的复杂施工场景不安全行为与施工进度检测尚处于研究阶段,以YOLO-v8模型为基础提出一种复杂施工场景不安全行为与施工进度无监督学习检测模型。通过MaskCut模块对数据集开展自监督学习标注,降低数据集标注工作量;应用DRM与CRM模块逐层分割遮挡特征并进行背景重构;以MaskCut模块自监督标注数据集训练YOLO-v8基础模型对典型施工8种场景中常见15种不安全行为以及施工进度开展检测。试验结果表明:本文所提方法对复杂施工场景多种不安全行为表现较高检测性能,平均准确率达到84.63%;所提方法针对多种常见施工不安全行为并且融合遮挡对象解耦与重建具有较高应用潜力,并且对基于机器视觉的施工进度检测研究具有较高借鉴价值。

基于改进YOLOv8的输电线路故障识别方法

针对输电线路巡检难度大且巡检信息处理可靠性不佳等问题,提出了一种基于改进YOLOv8的输电线路故障识别方法。首先,设计智能化单兵巡检装备,包括智能巡检头盔和智能信息装备服,并通过无人机获取输电线路的实时运行情况。然后,提出一种增量八叉树空间检索算法用于激光雷达等图像信息的处理,得到输电线路全景图像。最后,构建改进C2f模块、残差注意力模块以及改进损失函数优化YOLOv8模型,将其用于全景图像的学习,从而得到输电线路的故障类型。基于Pytorch平台对所提方法进行实验分析,结果表明,其识别结果的平均精度均值达到了92.03%,且识别时间仅为28ms,能够满足智能化单兵巡检装备的工作需求。

基于SPARC V8的星载嵌入式软件全数字仿真平台设计与实现

为了提高星载嵌入式软件的可靠性和安全性,解决硬件测试环境构建困难、成本昂贵以及运行状态难以监控的局限性,提出了一种基于SPARC V8的星载嵌入式软件全数字仿真平台设计和实现方法;介绍了全数字仿真平台实现的关键技术,包括CPU指令集仿真、寄存器仿真、存储器仿真、中断控制器仿真、串口仿真、定时器仿真、虚拟外设模型仿真以及设备管理器和平台时序设计;全数字仿真平台与基于硬件的测试平台相比具有可重用性强、可快速搭建、成本低廉、高可控性、调试和测试手段丰富、支持故障注入等优点;该全数字仿真平台已在星载嵌入式软件型号研制中得到了应用,基于此平台可快速搭建虚拟目标机和虚拟外设环境,进行星载嵌入式软件运行仿真、调试验证等工作。

V8发动机曲轴有限元分析

对某V8发动机曲轴进行运动学分析与动力学分析,利用Pro/Engineer软件建立三维模型,然后根据有限元理论,应用ANSYS软件分析了曲轴的静态力学性能。分析第一左缸与第三右缸爆发时的应力云图和变形图,从结果可以看出,曲轴的应力集中在轴颈与曲柄臂连接处、油孔处以及连杆轴颈中央截面处。进行模态分析,曲柄臂和主轴颈、曲柄臂和连杆颈相连处是曲轴振动中危险的区域,由振型图可以发现它们是曲轴振动中变形最大的区域。

基于改进YOLO v8-Pose的红熟期草莓识别和果柄检测

针对高架栽培模式下的大棚草莓,借鉴人体姿态检测算法,建立了改进YOLO v8-Pose模型对红熟期草莓进行识别与果柄关键点检测。通过对比YOLO v5-Pose、YOLO v7-Pose、YOLO v8-Pose模型,确定使用YOLO v8-Pose模型作为对红熟期草莓识别与关键点预测的模型。以YOLO v8-Pose为基础,对其网络结构添加Slim-neck模块与CBAM注意力机制模块,提高模型对小目标物体的特征提取能力,以适应草莓数据集的特点。改进YOLO v8-Pose能够有效检测红熟期草莓并准确标记出果柄关键点,P、R、mAP-kp分别为98.14%、94.54%、97.91%,比YOLO v8-Pose分别提高5.41、5.31、8.29个百分点。模型内存占用量为22 MB,比YOLO v8-Pose的占用量小6 MB。此外,针对果园非结构化的特征,探究了光线、遮挡与拍摄角度对模型预测的影响。对比改进前后的模型在复杂环境下对红熟期草莓的识别与果柄预测情况,改进YOLO v8-Pose在受遮挡、光线和角度影响情况下的mAPkp分别为94.52%、95.48%、94.63%,较YOLO v8-Pose分别提高8.9、10.75、5.17个百分点。改进YOLO v8-Pose可在保证网络模型精度的同时对遮挡、光线和拍摄角度等影响均具有较好的鲁棒性,能够实现对复杂环境下红熟期草莓识别与果柄关键点预测。