基于改进YOLOv8的小麦叶片病虫害检测轻量化模型

[目的/意义]针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高质量高效的病虫害检测模型,即YOLOv8-SS (You Only Look Once Version 8-SS),为病虫害的预防与科学化治理提供准确的依据。[方法]基于YOLOv8算法,采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S,在保持检测精度的同时,减少模型的参数数量和计算负载;在此基础上增加小目标检测层和注意力机制SEnet (Squeeze and Excitation Network),对YOLOv8-S进行改进,在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv8-SS小麦叶片病虫害检测模型。[结果与讨论]YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%,对比原模型分别提高10.11%和7.42%。因此,本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性,并增强模型对小目标图像特征的提取能力,从而高效准确地进行病虫害的检测和识别。[结论]本研究使用的方法具有广泛适用性,可应用于大规模农作物病虫害检测的实际场景中。

基于改进YOLOv8模型的巡检机器人目标检测方法研究

目的:针对巡检机器人对指针式仪表识别准确率不够高、对被遮挡仪表识别效果较差的问题,提出一种基于改进YOLOv8模型的巡检机器人目标检测方法。方法:首先,以YOLOv8n模型作为基础目标检测模型,在此基础上引入坐标注意力机制,加强模型对输入数据的空间结构理解;其次,将损失函数由完整交并比(complete IoU,CIoU)损失函数替换为高效交并比(efficient IoU,EIoU)损失函数,加快模型检测框的收敛速度;最后,采用柔性非极大值抑制(soft non-maximum suppression,Soft-NMS)函数替代传统的非极大值抑制(non-maximum suppression,NMS)函数,以更加平滑地抑制冗余的边界框,进一步提高检测的准确率。为验证改进模型对检测目标的识别效果,将YOLOv8n模型与改进后的YOLOv8模型(YOLOv8nxt模型)进行对比。结果:与YOLOv8n模型相比,YOLOv8nxt模型的位置损失值降低了1.3%,mAP_0.5:0.95提高了1.7%,检测准确率提高了0.87%,模型大小仅为6.2 M,检测时间仅增加了0.2 ms。结论:基于改进YOLOv8模型的巡检机器人目标检测方法提升了巡检机器人在运动过程中对仪表的识别精度和速度,能有效解决巡检机器人在目标检测阶段存在的问题。

YOLOv8-YC模型在食品安全场景中的应用

食品安全与人民群众的健康密切相关,保障食品安全已成为全世界最受关注的话题。如果没有正确规范地佩戴口罩,就会造成飞沫途径传播,出现食品卫生问题。基于此,本文提出一种规范佩戴口罩的检测方法,将YOLOv8模型进行佩戴口罩检测,YCrCb模型形成灰度图,进行规范佩戴口罩的检测。最终,结合以上2种模型,提出复杂环境下关于人脸口罩规范佩戴的检测方法,用于加强食品环境监管,保障食品安全,具有重要使用价值和研究意义。

基于改进YOLOv8的露天矿区行车障碍物检测

露天矿区场景复杂,行车障碍物检测受扬尘和颗粒物等粉尘噪声干扰严重,难以准确识别障碍物,尤其是光线较差的夜间,不利于做出正确决策,从而影响无人作业的安全性和整体效率。针对以上问题,提出了一种基于YOLOv8n模型的露天矿区行车障碍物检测算法YOLOv8n-Enhanced。该算法主要从3个方面进行了改进,具体包括:首先,针对受粉尘噪声干扰严重和夜间光线不足的问题,提出了C2fCA模块结构,提高了模型特征提取能力;其次,使用轻量级卷积技术GSConv和VoV-GSCSP模块,减轻模型复杂性,实现检测器更高的计算成本效益;最后,使用WIOU损失函数,提高了模型泛化能力。试验结果表明:改进算法在保持实时性的前提下,可将YOLOv8n的平均精度(mean Average Precision,mAP)分别提高1.8%和2.6%,实现白天与夜间场景下不同尺度的障碍物识别。

基于YOLOV8框架的人员聚集和车辆拥堵检测

智慧园区的出入口、办公大楼进出口等重要部位,会出现车辆拥堵和人员聚集的情况。目前数字视频监控设备无法做到智能化识别和报警,只能靠值班人员和巡逻人员进行人工监控、判断,无法有效、快速处理紧急和突发事件。本文选用YOLOv8目标识别框架技术,采用预训练模型和实际业务结合的工程实践方式,实现监控范围内的车辆和人员的数目识别。平台可以设置报警阈值以实现监控报警、系统联动和警报推送,处理突发和紧急事件,保证园区和办公楼的正常秩序。

基于YOLOv8的智慧校园安防检测功能

智慧校园包含园区内设备设施、智能系统、集成平台、大数据技术平台、业务平台、决策和计划平台,应用于园区管理、教学管理、后勤保障、日常办公、园区安全、文化宣传等方面。智慧校园包含数字视频监控系统、电子巡更系统、周界防范系统3部分,其中电子巡更系统存在人员排班,无法实现24 h覆盖巡更线路和非巡更线路的巡检任务,而周界防范系统误报率高,设备故障多,无法实现稳定持续的周界监控功能。文章采用视频流作为输入媒体,采用先进的识别分类模型,实现电子巡更系统24 h全覆盖业务功能,解决周界防范系统误报率高和人为破坏的缺点,加强校园周边和重要区域的安防业务功能。

基于改进YOLOv8的地铁站内乘客异常行为感知

当地铁站内乘客出现异常行为时,若未能及时发现可能会引起乘客不满、投诉,甚至导致安全问题,从而影响运营效率,造成恶劣影响.而当前常用的盯控视频画面的方式存在容易遗漏和效率低的问题.为及时感知异常行为,提出一种云边协同的异常行为感知总体架构.首先,通过人工演绎的方法在地铁站内采集异常行为图像,构造包含11种异常行为的数据集;其次,针对边/端侧能够自主训练和推理但算力较小的特点,提出模型压缩算法,构建MINI-BLOCK模块并将其组合为i-C2f模块,用于替换YOLOv8中的C2f模块;再次,针对云侧计算资源集中的特点,分别构建2个基于YOLOv8的改进模型,即ModelA和ModelB,ModelA的架构为“DCNv2_Dynamic-BiFPN-EMA”,ModelB的架构为“DCNv2-BiFPN-EMA”;最后,在构造的数据集上,对提出的3种优化模型与YOLOv8进行对比实验.研究结果表明:相较于YOLOv8,3种优化模型均取得了更优的检测性能,边/端侧模型的精确率提升了1.0%,模型参数降低了4.7%;ModelA的召回率、mAP50、mAP50:95分别提升了2.2%、3.7%、2.9%;ModelB的召回率、mAP50、mAP50:95分别提升了5.8%、6.7%、2.8%.研究结果能够为地铁乘客异常行为感知的相关研究提供参考.

具有双层路由注意力机制的YOLOv8血鹦鹉目标检测与追踪方法

为了检测观赏鱼类的行为及其健康状况,设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存,添加了新的视觉通用变换器BiFormer以提升计算效率,并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明:使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果,慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明,本文中设计的YOLOv8n-BiFormer模型具有通用性,在检测和追踪血鹦鹉和慈鲷目标方面均表现优异,消耗的计算资源较少,可部署在水族箱监控系统中,为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

基于改进YOLOv8的轻量化道路病害检测方法

针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCNv3模块增强对物体形变的建模能力,并对输入特征信息进行降维处理,有效降低模型参数量和计算复杂度。设计GS-Decoupled head检测模块,降低检测头参数的同时实现全局信息的有效聚合。同时,设计E-Slide Loss权重函数,为困难样本分配更高权重,充分学习道路病害中的难样本数据,进一步提高模型检测精度。采用通道剪枝减少模型冗余通道,有效压缩模型体积并提高检测速度。实验结果表明,DGE-YOLO-P模型相较于YOLOv8n模型mAP提高2.4个百分点,而模型参数量、计算量和模型大小分别降低58.1%、66.7%和55.5%。检测速度FPS由34帧/s提高到51帧/s。

基于YOLOv8化工企业储煤场火煤和扬尘检测方法研究

化工企业储煤场的火煤和扬尘不仅浪费了煤炭资源,还污染了周围环境,对工作人员的健康构成威胁。为了减少经济损失、改善环境,对火煤和扬尘的监测和预警变得极为关键。传统的储煤场火煤和扬尘的检测存在检测时间长、误检率高等问题。文章在深入研究YOLOv8、SPD-Conv、BottleNeckCSP、EIoU原理的基础上,对YOLOv8模型进行改进。用改进后的YOLOv8网络模型完成火煤和扬尘检测相关实验,与原始的YOLOv8相比,mAP值达到97.3%,比YOLOv8s原始模型提高了3.9%,优于同等情况下YOLO系列,且权重文件的内存为25.4 MB,适用于火煤和扬尘的检测,达到对于低分辨率和小目标更快、更精准的检测,有效避免误检、漏检等问题,确保检测的准确性和可靠性。

基于YOLOv8的女西裤板型弊病检测与修正

在服装定制成衣试穿环节,由于人体体型多样性,经常出现服装试穿不合身的情况。为协助改衣师快速准确找到板型问题及修改方案,以女西裤为例,收集常见的女西裤弊病图像(前裆堆量明显、前裆猫须明显、后片夹裆和后片大腿根堆斜褶明显)作为数据集,并采用深度学习算法中的YOLOv8模型进行实验。研究表明:模型测试阶段,精确度、召回率、平均精度均值(I_(ou)=50%)均达到98%以上,同时结合弊病修正实验验证了弊病修正建议的合理性,实现了女西裤板型弊病的智能检测与修正。

基于YOLOv8的可回收垃圾识别方法及工程化应用研究

为了加强生活垃圾分类管理、节约资源,生活垃圾分类引起了社会高度重视。文章基于YOLOv8深度学习框架进行可回收垃圾识别,随后将开发环境中训练好的垃圾分类模型,根据生产环境边缘侧硬件需求进行模型适配,并在边缘侧进行实时垃圾检测推理,以实现工程化落地应用。文章通过在垃圾分拣生产环境仿真平台对本文提出的方法进行验证。在传输轨道上方安装固定光源及工业摄像头,边缘设备JetSon Nano装载开发环境下训练好的垃圾分类模型,负责对传送带上的垃圾进行实时检测推理。实验证明,生产环境边缘侧进行垃圾检测推理实时性高,准确率达88%以上,满足工程应用需求。

基于改进YOLOv8的大气污染烟雾检测方法研究

大气污染烟雾检测在环境监测领域扮演着至关重要的角色,能够准确检测出烟雾排放源。本文提出了一种大气污染烟雾检测的模型YOLOv8n-SC。首先,采用Slim-Neck网络对YOLOv8n的颈部网络进行改进,可以极大减少冗余,降低模型复杂度,提高检测速度。其次,对原始模型中的上采样算子进行改进,用CARAFE取代最近算子,获得更精确的采样结果和更精细的定位信息。最后,建立烟雾数据集,并采用Copy-Pasting方法对建立的烟雾数据集进行增强,可以生成具有微小变化的新样本,从而扩展训练数据集,以提升模型的性能。研究结果表明,YOLOv8n-SC模型相比原始的YOLOv8n模型,参数量降低了6.38%,平均均值精度提升了2.7%。该模型不仅模型较小易于部署,且还保证了检测精度要求。

基于改进的Yolov8商业渔船电子监控数据中鱼类的检测与识别

为解决传统商业渔船电子监控数据中鱼类检测与识别任务人工成本高、工作量大等问题,采用基于改进的Yolov8商业渔船电子监控数据中鱼类的检测与识别方法,其中,主干网使用GCBlock结构对远程依赖关系建模,以增加特征提取能力;Neck端使用GSConv新型卷积方式,以减少模型计算量;使用SIOU损失函数解决CIOU损失函数的局限性,以提升模型检测精度。结果表明:提出的Yolov8n-GCBlock-GSConv模型在FishNet数据集不同标签L1和L2上的mAP@0.5为43.6%和52.7%,相比原Yolov8n模型分别提高了2.0%和4.3%,计算量为7.7 GFLOPS,比原模型降低了0.5 GFLOPS。研究表明,本研究中提出的Yolov8n-GCBlock-GSConv模型能以更低的成本,快速准确地完成商业渔船电子监控数据中鱼类的检测与识别。

基于视频和BCE-YOLO模型的奶牛采食行为检测

【目的】动物采食行为是一个重要的动物福利评价指标,本研究旨在解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题,实现对奶牛采食行为的自动监控。【方法】本文提出了一种基于改进BCEYOLO模型的识别方法,该方法通过添加BiFormer、CoT、EMA 3个增强模块,提高YOLOv8模型特征提取的能力,进一步与优于Staple、SiameseRPN算法的Deep SORT算法结合,实现对奶牛采食时头部轨迹的跟踪。在奶牛采食过程的俯视和正视视频中提取11288张图像,按照6∶1比例分为训练集和测试集,构建采食数据集。【结果】改进的BCE-YOLO模型在前方和上方拍摄的数据集上精确度分别为77.73%、76.32%,召回率分别为82.57%、86.33%,平均精确度均值分别为83.70%、76.81%;相较于YOLOv8模型,整体性能提升6~8个百分点。Deep SORT算法相比于Staple、SiameseRPN算法,综合性能提高1~4个百分点;并且改进的BCE-YOLO模型与Deep SORT目标跟踪算法结合良好,能对奶牛采食行为进行准确跟踪且有效地抑制了奶牛ID(Identity document)的变更。【结论】本文提出的方法能有效解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题,为智能畜牧与精确养殖提供重要参考。

食用型甘薯齐宁8号优化栽培数学模型的研究

试验采用 4因素 5水平 2次通用旋转组合设计 ,研究了优质食用型甘薯新品种齐宁 8号优质高产栽培与氮磷钾肥施用量及密度之间的关系 ,获得了中等肥力条件下齐宁 8号鲜薯产量形成的数学模型及农艺措施优化组合方案。结果表明 :4项农艺措施对鲜薯产量影响的顺序为钾肥 >密度 >磷肥 >氮肥 ;在本试验条件下 ,齐宁 8号 6 6 6 7m2 鲜薯产量要达到 4 0 0 0～ 4 30 0kg ,其优化农艺措施区间为 :6 6 6 7m2 施尿素 4 6 5～8 0 0kg ,过磷酸钙 37 92～ 4 9 14kg ,硫酸钾 4 4 0 6～ 4 9 4 7kg ,栽植密度 36 5 0～ 390 0株。

小麦新品种三峡麦8号优化栽培措施研究及模型建立

[目的]为制定三峡麦8号高产栽培技术规程提供科学依据。[方法]以小麦新品种三峡麦8号为试材,采用5因素2次回归正交旋转组合设计,研究播期、施氮量、施磷量、施钾量和基本苗数5项栽培措施与产量的关系,通过模拟寻优找出综合栽培措施决策方案。[结果]建立了重庆市万州区三峡麦8号综合栽培措施的产量数学模型,复相关系数为0.9258,达极显著水平;5项栽培措施中播期和施氮量对小麦产量影响显著,施磷量、施钾量和基本苗对小麦产量影响不显著。[结论]三峡麦8号产量在4282.05kg/hm2以上的优化栽培措施为:11月3～6日播种,基本苗207.36万～212.64万株/hm2,施纯氮量55.38～190.38kg/hm2,施磷量71.70～78.30kg/hm2,施钾量57.36～62.64kg/hm2。

基于YOLOv8的交通信号灯识别

交通信号灯的识别对于辅助驾驶系统是至关重要的,它可以帮助减少事故和提高行车安全。本文提出了基于YOLOv8的交通信号灯标志识别方法,该方法包括数据集的构建、模型的训练、自然场景测试三个主要部分。首先,通过网络公开的交通信号灯数据集进行标注,使用YOLOv8算法框架对数据集进行训练,得出最优模型。最后,在真实道路场景中对训练好的模型进行了测试,得到了较为准确的结果。通过实验对比,我们发现YOLOv8训练后的模型性能优异,在保证精度的情况下提高检测速度,还可以解决目标部分遮挡和小尺寸目标检测等问题,从而提高了识别的准确性和效率。在辅助驾驶系统中应用该方法可以更加精确地判断箭头指向性信号灯和全屏型信号灯,帮助提高车辆在路面上的运动安全性和稳定性。目前的大多方法仅仅针对于交通信号灯的颜色以及整体交通信号灯位置进行判断识别,本文会更细化交通灯上各式各样的方向标志颜色做出分类识别,通过YOLOv8算法在减少参数的情况下还能够大幅度减少计算资源,通过实验结果表明,迭代200轮后的模型mAP50-95便达到了82.6%,FPS达到了27.2帧/毫秒。

效应面优化模型获取Y_(4)GeO_(8)∶Bi^(3+),Eu^(3+)红色荧光粉掺杂浓度

使用更直接的方法(效应面优化模型)预测了Y_(4)GeO_(8)∶Bi^(3+),Eu^(3+)样品的最强红光发射。预测最佳样品掺杂的Bi^(3+)离子和Eu^(3+)离子浓度分别为31.03%和67.36%(摩尔分数)。制备最佳样品后对其光致发光性能进行了测试和表征。荧光粉Y_(4)GeO_(8)∶31.03%Bi^(3+),67.36%Eu^(3+)具有最强的红光发射,并且强度的实验值和理论值之间的差值很小。优化样品的色坐标为(0.6457,0.3490),计算出的色纯度为98%,内量子效率高达72.5%。本文提供了一种直接寻找发光最强的荧光粉最佳掺杂浓度的方法,可用于探索各种类型的共掺杂荧光粉。

炼化企业生产计划优化模型测算应用研究

生产计划优化软件适用于流程行业的生产计划业务,主要包括炼油化工、煤化工、天然气化工、精细化工等行业。目前世界范围内市场占有率较高的Aspen PIMS软件功能强大、应用广泛,石化盈科信息技术有限责任公司利用它实现了某石化集团生产企业的业务全覆盖,对该集团模型、一体化模型、单企业模型的建设和测算服务经验丰富。文中针对某企业的主要业务方向,包括原油保本点、对二甲苯(PX)价格敏感性、外购C_(8)流向、出口汽油产量等方面,进行了模型测算,并从中提炼了该企业的盈利能力分析模型,对该企业的经营效益及其石化园区的经济发展决策起到了举足轻重的指导作用。