一种基于改进YOLOv8n的樱桃分类检测轻量化方法与流程

本发明属于农业成熟期樱桃果实分类检测，具体的说是一种基于改进yolov8n的樱桃分类检测轻量化方法。

背景技术：

1、现在的樱桃采摘通常采用人工摘取的方式，但是由于樱桃成熟期短，加上农村劳动人口大量减少，劳动力短缺，采摘劳动强度大。

2、自动化采摘机器人在提高采摘效率的同时，降低了对樱桃果实的损伤，也能够减少人工成本。而视觉识别系统在果树采摘机器人系统中占据重要的组成部分，在果树目标识别定位、自动采摘和果蔬估产等方面起到至关重要的作用。

3、但是目前为止，视觉识别系统存在检测速度慢、检测精度低以及不够轻量化的问题，很难应用于自动化采摘。

技术实现思路

1、为了解决上述视觉系统效率低且精准度不高的技术问题，本发明的目的是提供了一种基于改进yolov8n的樱桃分类检测轻量化方法，先获取图像数据集，在对获取的图像数据通过软件进行标注，对原始yolov8n模型进行轻量化改进，通过在骨干网络区域添加cbam注意力机制模块，标注的樱桃数据集随机划分为训练集和验证集，改进好的yolov8n轻量化模型加载数据集进行在线数据增强并进行训练和验证，具有检测检测精度高、占用内存小、检测速度快的轻量化优势，改进的模型具有轻量化、识别速度快、识别精度高的优势，可为樱桃自动采摘以及樱桃分类和产量预测提供技术支撑。

2、本发明为实现上述技术目的所采用的技术方案为：步骤一：获取不同时间段的樱桃图像数据集；步骤二：将步骤一中采集的图像数据通过软件进行标注，成熟的樱桃标注为ripe，未成熟的樱桃标注为unripe；步骤三：对原始yolov8n模型进行轻量化改进，引入基于部分卷积的fasternet block模块形成新的c2f-faster模块，并且在骨干网络区域添加cbam注意力机制模块，cbam模块由通道注意力和空间注意力组成；步骤四：将步骤二中标注的樱桃数据集随机划分为训练集和验证集，使用步骤三中改进好的yolov8n轻量化模型加载数据集进行在线数据增强并进行训练和验证，得到最优的检测结果。

3、进一步优化，所述步骤一中获取樱桃图像数据集的图像类型主要包含成熟樱桃、未成熟樱桃、樱桃果实受枝叶遮挡、果实之间重叠遮挡、逆光拍摄、顺光拍摄、近距离拍摄以及远距离拍摄不同情况下的图像特征。

4、进一步优化，所述步骤二中将标注完成的文件保存为txt格式。

5、进一步优化，所述步骤三中，首先引入基于部分卷积的fasternet block模块将yolov8n的c2f模块中的bottleneck模块替换，形成新的c2f-faster模块；其次，通过在骨干网络区域的sppf模块和c2f-faster模块之间添加cbam注意力机制模块以此捕获特征之间的相关性；cbam模块由通道注意力和空间注意力组成，f1作为空间注意力模块的输入。

6、进一步优化，所述步骤三中bottleneck模块结构是由两个3×3常规卷积串联，并在每个卷积后进行批量归一化和silu激活函数操作，最后卷积得到的结果和输入端特征图进行加和操作。

7、进一步优化，所述步骤三中基于部分卷积的fasternet block模块结构，通过引入部分卷积操作，先是一个卷积核大小为3×3的部分卷积层，然后是两个卷积核大小为1×1的点卷积层，并将归一化层和激活层放在中间的点卷积层后面；pconv只对输入特征图其中一部分通道进行卷积，剩下的通道不进行处理，当参与卷积通道比例取1/4时，部分卷积计算量仅为普通卷积的1/16，而内存访问量仅为普通卷积的1/4，使用c2f- faster模块以便大幅度减少模型参数量和计算量，并且保证较高的检测精度，为轻量化设计打下基础。

8、进一步优化，所述注意力机制模块首先将输入特征图f的每个通道进行全局最大池化和全局平均池化操作，从而获得2个1通道特征图，接着将全局最大池化和平均池化后的通道特征图输入到一个共享网络层中；而后，将共享网络层输出的特征图进行加和操作，再经过sigmoid函数激活，生成最终的通道特征图mc, 最后，将mc和输入特征图f做乘法操作，生成空间特征图模块需要的输入特征f1。

9、进一步优化，所述步骤四中将标注好的樱桃数据集，按8：2比例随机划分为训练集和验证集。

10、与现有技术相比，本发明具有如下有益效果：

11、1）本发明通过原始yolov8n模型进行轻量化改进，引入基于部分卷积的fasternetblock模块形成新的c2f-faster模块，实现通过同时减少冗余计算和内存访问可以更有效地提取空间特征，在大幅度减少模型参数量和计算量的同时，又能保证较高的检测精度，为轻量化设计打下基础；

12、2）本发明通过在骨干网络区域添加cbam注意力机制模块，达到在多尺度特征图融合之前，增强对目标特征的提取能力，进一步增强对目标的检测精度的目的；

13、3）本发明通过将标注好的樱桃数据集，按8：2比例随机划分为训练集和验证集，使用改进好的yolov8n轻量化模型加载数据集进行在线数据增强并进行训练和验证，得到最优的检测结果。

技术特征：

1.一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：

2.根据权利要求1所述的一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：所述步骤一中获取樱桃图像数据集的图像类型主要包含成熟樱桃、未成熟樱桃、樱桃果实受枝叶遮挡、果实之间重叠遮挡、逆光拍摄、顺光拍摄、近距离拍摄以及远距离拍摄不同情况下的图像特征。

3.根据权利要求1所述的一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：所述步骤二中将标注完成的文件保存为txt格式。

4.根据权利要求1所述的一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：所述步骤三中，首先引入基于部分卷积的fasternet block模块将yolov8n的c2f模块中的bottleneck模块替换，形成新的c2f-faster模块；其次，通过在骨干网络区域的sppf模块和c2f-faster模块之间添加cbam注意力机制模块以此捕获特征之间的相关性；cbam模块由通道注意力和空间注意力组成，f1作为空间注意力模块的输入。

5.根据权利要求4所述的一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：所述步骤三中bottleneck模块结构是由两个3×3常规卷积串联，并在每个卷积后进行批量归一化和silu激活函数操作，最后卷积得到的结果和输入端特征图进行加和操作。

6.根据权利要求4所述的一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：所述步骤三中基于部分卷积的fasternet block模块结构，通过引入部分卷积操作，先是一个卷积核大小为3×3的部分卷积层，然后是两个卷积核大小为1×1的点卷积层，并将归一化层和激活层放在中间的点卷积层后面；pconv只对输入特征图其中一部分通道进行卷积，剩下的通道不进行处理，当参与卷积通道比例取1/4时，部分卷积计算量仅为普通卷积的1/16，而内存访问量仅为普通卷积的1/4，使用c2f-faster模块以便大幅度减少模型参数量和计算量，并且保证较高的检测精度，为轻量化设计打下基础。

7.根据权利要求4所述的一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：所述注意力机制模块首先将输入特征图f的每个通道进行全局最大池化和全局平均池化操作，从而获得2个1通道特征图，接着将全局最大池化和平均池化后的通道特征图输入到一个共享网络层中；而后，将共享网络层输出的特征图进行加和操作，再经过sigmoid函数激活，生成最终的通道特征图mc, 最后，将mc和输入特征图f做乘法操作，生成空间特征图模块需要的输入特征f1。

8.根据权利要求1所述的一种基于改进yolov8n的樱桃分类检测轻量化方法，其特征在于：所述步骤四中将标注好的樱桃数据集，按8：2比例随机划分为训练集和验证集。

技术总结一种基于改进YOLOv8n的樱桃分类检测轻量化方法，属于农业成熟期樱桃果实分类检测技术领域，先获取图像数据集，在对获取的图像数据通过软件进行标注，对原始Yolov8n模型进行轻量化改进，并且在骨干网络区域添加CBAM注意力机制模块，标注的樱桃数据集随机划分为训练集和验证集。本发明通过上述措施改进好的Yolov8n轻量化模型加载数据集进行在线数据增强并进行训练和验证，具有检测检测精度高、占用内存小、检测速度快的轻量化优势，改进的模型具有轻量化、识别速度快、识别精度高的优势，可为樱桃自动采摘以及樱桃分类和产量预测提供技术支撑。技术研发人员：姬江涛,李坤,金天赐,吴沅泽,杜树灿受保护的技术使用者：龙门实验室技术研发日：技术公布日：2024/11/18