基于改进YOLOv8_的苹果检测方法 .pdfVIP

第13期无线互联科技No.13

2023年7月WirelessInternetTechnologyJuly,2023

基于改进YOLOv8的苹果检测方法

1,21,2∗13

杜宝侠,唐友,辛鹏,杨牧

(1.吉林化工学院,吉林吉林132022;2.吉林农业科技学院,吉林吉林132101;

3.一汽东机工减振器有限公司,吉林长春130001)

摘要:实现苹果自动检测对推动苹果生产管理自动化、智能化有着重要意义。为了解决当前苹果检测

方法准确率低、鲁棒性差等问题,文章提出了一种基于改进YOLOv8算法的苹果检测模型,通过引入

GAM注意力机制提升模型的检测精度。在苹果检测数据集上进行验证,基于改进的YOLOv8算法和

原始YOLOv8算法相比,mAP0.5提高了1.7%,mAP0.5∶0.95提高了2.2%。实验结果表明,文章提

出的改进YOLOv8算法更能满足实际情况中对苹果检测的要求。

关键词:苹果检测;YOLOv8;注意力机制

中图分类号:S661.1;TP391.41文献标志码:A

0引言征提取困难、模型泛化能力差、在环境变化时性能下

我国是农业大国,水果生产和消费数量在世界上降严重等问题。近年来,基于卷积神经网络的深度学

位居前列,在众多水果中,苹果的种植面积和产量均习技术在目标检测领域取得了显著的成功,相较于传

超过世界总量的50%,均居世界首位[1]。苹果生产是统的机器学习方法,基于深度学习的目标检测技术场

我国农业经济发展的重要支柱,但我国的大部分苹果景适应性强,精度更高。牟其松[3]简化了YOLOv3的

生产还处于传统的农业模式阶段,在苹果生产管理过主干网络,并通过改进损失函数,提高了苹果检测的

程中需要耗费大量的人力物力,这也导致了生产效率精度;张中华等[4]提出了一种基于优化FCOS网络的

的低下和农民收入水平的不稳定。因此,推动苹果生绿色苹果检测模型,通过改进特征融合FPN提高了

产过程的自动化、智能化发展具有重要意义。对绿色苹果的检测精度;Meili等[5]针对复杂环境下

近年来,现代农业结合计算机视觉技术的各种智的小苹果提出了一种平衡特征金字塔网络BFPNet。

能设备在农业生产中的应用日益普及,并且成为农业上述研究通过对先进目标检测算法进行改进,增强其

领域的研究热点。这些智能设备的应用极大地提高检测苹果的能力,但仍存在模型较复杂、检测速度慢、

了农业生产效率和精度,减少了对劳动力和资源的依不容易部署等问题。

赖,并降低了农业生产成本,促进了农业的可持续发在实际的果园场景中,要实现苹果的实时检测,

展。具体到苹果的生产方面,计算机视觉技术可以通不仅需要较好的检测精度,对检测的速度也有较高的

过拍摄的图片或视频进行产量预测、病虫害识别,也要求。因此,本文以单阶段目标检测算法中最先进的

可以通过图像信息对苹果果实进行优劣分级等,这些YOLOv8模型为基础并加以改进,来实现苹果果实的

技术极大地推动了苹果生产管理的智能化发展。其自动检测。

中,利用目标检测技术对苹果果实进行识别和定位,1YOLOv8模型原理

从而帮