李永杰.改进Yolov8的柑橘果实目标检测研究[J].中国南方果树,2024,53(3): |
改进Yolov8的柑橘果实目标检测研究 |
|
投稿时间:2023-07-17 修订日期:2023-12-01 |
DOI: |
中文关键词: Yolov8 小目标检测层 温州蜜柑 冠层果实 |
英文关键词: |
基金项目: |
|
摘要点击次数: 324 |
全文下载次数: 38 |
中文摘要: |
目前基于深度学习技术快速发展起来的目标检测技术,是未来果园精准化生产的必然趋势,目标检测技术如何与果实识别、定位和分类相结合成为一个热门研究内容。本研究提出基于自然状态下单侧完整树冠果实的图像制作数据集,建立添加小目标检测层的Yolov8检测模型。柑橘进入果实转色期后,利用佳能相机于温州蜜柑果园随机采集单侧树冠的树体照片,采集时间覆盖晴天、阴天以及雨后未晴的不同时期,共采集1800张图像,并划分成训练集、验证集、测试集,分别为1260、360和180张图片。在Yolov8源码的主网络中添加小目标检测层形成I-Yolov8,用于检测4x4以上的目标,建立柑橘果实的目标检测模型Yolov8和I-Yolov8。模型的训练损失函数(loss)在迭代早期快速收敛,I-Yolov8和Yolov8的平均精确度(mAP)分别在训练58和23轮次达到最高值 93.5 %和92.2 %。在未标注的晴天和阴天两个场景下的冠层实例图上分别进行模型预测性能评估,果实总数分别为98和142个,晴天场景下2种模型预测精确度(P)均为100%,漏检的果实较多,召回率(R)分别为56.12%和72.45%。而在阴天场下,模型的预测表现更好,Yolov8和I-Yolov8的R分别达77.62%和91.61%。以自然状态下柑橘树冠图像的数据集能提供更全面的果实特征,而添加小目标检测层后提高了模型的学习能力,增强了模型的检测效果,本研究为目标检测技术在复杂环境下水果的实时检测任务提供重要参考。 |
英文摘要: |
|
查看/发表评论 下载PDF阅读器 |
关闭 |