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+DeepSORT的带式输送机异物检测及计数方法

现有带式输送机异物检测方法存在提取目标语义信息能力弱、检测精度差等问题,且仅对异物进行识别检测,不能准确计算异物数量。针对该问题,设计了一种基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法。对YOLOv8n模型进行改进,再使用改进YOLOv8n(MSF−YOLOv8n)模型对带式输送机异物进行识别;将MSF−YOLOv8n模型的异物检测结果作为DeepSORT算法的输入,实现带式输送机异物跟踪和计数。YOLOv8n改进方法:使用C2f_MLCA模块替换主干网络中的C2f模块,提高网络在颜色信息单一环境下的信息提取能力;使用分离和增强注意力模块(SEAM)改进Head部分,以提高异物被遮挡情况下的检测精度;采用Focaler−IoU优化损失函数,解决检测目标形状差异大的问题。MSF−YOLOv8n模型性能验证实验结果表明,MSF−YOLOv8n模型的mAP50达93.2%,相较于基础模型提高了2.1%;参数量仅为2.82×10^(6),比基础模型少了0.19×10^(6),更适合部署到巡检机器人等边缘设备中;检测精度比YOLOv5s,YOLOv7,YOLOv8s算法分别高2.2%,1.3%,0.3%;其帧率虽然比YOLOv8s和YOLOv8n低,但仍可满足视频实时性检测要求。异物检测及计数实验结果表明,DeepSORT算法的准确率达80%,可准确跟踪被遮挡的锚杆及形状差异较大的目标。

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。

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。

基于改进YOLOv8n的PCB缺陷检测算法

针对现有的印刷电路板(PCB)缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出YOLOv8n-4SCDP缺陷检测算法。首先,在YOLOv8n颈部网络增加上采样,融合Backbone中浅层语义信息,同时增加微小目标检测层降低PCB小目标缺陷漏检率;其次,在Backbone中融入坐标注意力(CA)机制,强化特征语义和位置信息,提高了模型特征融合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP算法的整体缺陷的平均精度均值(mAP)达到95.8%,检测帧率达到了65fps。有效改善YOLOv8n对于PCB小目标缺陷漏检率高、检测精度低等问题。

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。

基于改进YOLOv8n的采掘工作面小目标检测方法

为有效检测和识别煤矿井下采掘工作面人员是否佩戴安全防护装置,针对井下光照条件差、安全防护装备目标尺寸小且颜色与背景相似等情况,提出了一种基于改进YOLOv8n的采掘工作面小目标检测方法。在YOLOv8n骨干网络C2f模块中融合动态蛇形卷积(DSConv),构建C2f−DSConv模块,以提高模型提取多尺度特征的能力;在Neck层引入极化自注意力(PSA)机制,以减少信息损失,提高特征表达能力;在Head层增设1个专门针对小目标的检测头,形成4检测头结构,以扩大模型检测范围。实验结果表明,改进YOLOv8n模型对井下人员及其所佩戴安全帽、矿灯、口罩、自救器检测的平均精度分别为98.3%,95.8%,89.9%,87.2%,90.8%,平均精度均值为92.4%,优于Faster R−CNN,YOLOv5s,YOLOv7,YOLOv8n模型,且检测速度达208帧/s,满足煤矿井下目标检测精度和实时性要求。

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。

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。

结合改进YOLOv8n及SLAM的机器人自主巡检控制系统研究

本文提出了一种基于改进YOLOv8n及SLAM的室内安防机器人自主巡检控制系统方案。目标检测采用轻量化处理的YOLOv8n算法,使用GhostNet进行YOLOv8n的轻量级改进。达到降低计算量和内存消耗,同时提高目标检测速度的目的。改进后的YOLOv8n帧率相较于改进前速度提升50%,模型缩小为原来的63%,而识别的精确度仅下降5%左右。为提高机器人对未知环境的感知能力和自主性,使用了Cartographer算法。基于此算法,机器人可实现自主导航和地图构建,定位过程中估计值与实际值的横向偏差小于0.06 m;纵向偏差小于0.08 m;航向偏角小于16°。实验结果表明:该系统能够实现地图的精确构建以及目标火焰的快速检测,并实现实时预警。

A Novel Foreign Object Detection Method in Transmission Lines Based on Improved YOLOv8n

The rapid pace of urban development has resulted in the widespread presence of construction equipment andincreasingly complex conditions in transmission corridors. These conditions pose a serious threat to the safeoperation of the power grid.Machine vision technology, particularly object recognition technology, has beenwidelyemployed to identify foreign objects in transmission line images. Despite its wide application, the technique faceslimitations due to the complex environmental background and other auxiliary factors. To address these challenges,this study introduces an improved YOLOv8n. The traditional stepwise convolution and pooling layers are replacedwith a spatial-depth convolution (SPD-Conv) module, aiming to improve the algorithm’s efficacy in recognizinglow-resolution and small-size objects. The algorithm’s feature extraction network is improved by using a LargeSelective Kernel (LSK) attention mechanism, which enhances the ability to extract relevant features. Additionally,the SIoU Loss function is used instead of the Complete Intersection over Union (CIoU) Loss to facilitate fasterconvergence of the algorithm. Through experimental verification, the improved YOLOv8n model achieves adetection accuracy of 88.8% on the test set. The recognition accuracy of cranes is improved by 2.9%, which isa significant enhancement compared to the unimproved algorithm. This improvement effectively enhances theaccuracy of recognizing foreign objects on transmission lines and proves the effectiveness of the new algorithm.

改进YOLOv8n的小目标检测算法

针对复杂场景中目标特征不明显易出现漏检和误检的问题,提出了YOLOv8n_Y小目标检测算法。通过YOLOv8n模型的骨干网络引入可变形卷积模块,在目标区域感受野有限的情况下,可变形卷积模块可以自适应地调整卷积核大小,提取更多的特征信息,将Neck模块添加了CBAM注意力机制,注意力机制会集中在更为重要的物体特征上,减少了误检的概率,提升对小目标检测的准确率。结果表明,YOLOv8n_Y模型在小目标吸烟数据集上的精度提升了3.3%。

基于改进YOLOv8n的带钢表面缺陷检测方法

针对带钢表面缺陷种类多样、特征不明显,导致漏检和错检等问题,提出一种改进YOLOv8n的带钢表面缺陷检测方法。首先,为适应较小尺寸目标,增加P2检测层来识别各类缺陷,减少漏检率,以及设计一种高效的PConv检测头,维持推理速度;其次,采取将YOLOv8n颈部中的C2f模块和可变形卷积DCNv2融合的方式,增强模型特征提取能力;此外,在骨干网络输出层引入大动态选择性模块LSKNet,来扩大模型的感受野并提高目标检测的准确性;最后,选择SIoU损失函数替换CIoU损失函数,增强网络收敛效果,从而提高识别精度。改进后YOLOv8n方法在CSU_STEEL数据集上测试,实验结果表明,平均精度均值(mAP)mAP@0.5比原模型提高8.6%,达到82.3%,体积只增加0.5 MB。改进后的方法对带钢表面缺陷有更好检测结果,可为带钢缺陷检测方法的研究提供参考意义。

基于YOLOv8n的无人机航拍目标检测

针对无人机航拍检测任务中小目标检测精度低的问题,提出一种基于YOLOv8n的目标检测算法(SFEYOLO).首先,嵌入浅层特征增强模块,将输入特征的浅层空间信息与颈部获取的深层语义信息融合,以增强小目标特征表示能力,并使用全局上下文块(GC-Block)对融合信息进行重校准,抑制背景噪声.其次,引入可变形卷积来代替C2F中的部分标准卷积,提高网络对几何变化的适应性.再次,引入ASPPF模块,融合平均池化技术,增强模型对多尺度特征的表达并降低漏检率.最后,在颈部网络的基础上嵌入中尺度特征合成层,融合主干网络中更多的中间特征,使不同尺度的特征过渡更平滑,并通过跳跃连接增强特征重用性.该模型在数据集VisDrone2019和VOC2012上进行验证,mAP@0.5值达到30.5%和67.3%,相较于基线算法YOLOv8n提升了3.6%和0.8%,能够提升无人机图像目标检测性能,同时具有较好的泛化性.