基于改进YOLOv8的柑橘成熟度检测方法和相关装置

本发明实施例涉及深度学习，尤其涉及一种基于改进yolov8的柑橘成熟度检测方法和相关装置。

背景技术：

1、新会陈皮作为广东陈皮上品，是中国传统地道药材，是广东三宝之首，也是十大药材之一，而新会柑则作为陈皮的原材料。目前，新会柑的采摘依靠人工，由于不同成熟度的柑橘具有不同的市场价值，因此需要对柑橘果实的成熟度进行定期观察，从而大大增加人工成本。同时，对柑橘果实成熟期的判定直接决定果实的运输和贮藏方式，影响整个柑橘的生产成本。由于新会柑果实高度密集、叶片遮挡严重且在果实丰收时成熟度不统一，此问题成为最耗时耗力的工作，因此新会柑成熟度的精准检测研究具有重要的现实意义。

2、传统方法受限于人力和设备成本，导致柑橘品种识别缺乏灵活性、高效性和准确性。当前基于卷积神经网络的水果成熟度目标检测算法存在检测精度和速度的平衡问题，大部分检测精度高的算法，模型的计算参数高且检测速度慢。相反，模型计算参数低，检测速度快的方法，检测精度却不高。目前关于新会柑成熟度检测的研究方法相对较少。新会柑果实在生长发育的过程中易受到光照、环境等因素的影响，导致果实成熟度不一致且相邻果实成熟度差异不明显，这些因素都会影响神经网络模型对相邻成熟度和遮挡果实的检测能力，导致其检测效果较差。

技术实现思路

1、本发明实施例提供了一种基于改进yolov8的柑橘成熟度检测方法和相关装置，不仅能够快速准确地检测新会柑，而且在被树叶遮挡的情况下对柑橘成熟度的检测效果更佳，同时解决了传统人工识别分类效率低的问题。

2、第一方面，本发明实施例提供了一种基于改进yolov8的柑橘成熟度检测方法，包括：

3、获取柑橘图像；

4、将所述柑橘图像输入至预先训练好的深度学习神经网络模型进行成熟度检测，得到检测结果，其中，所述深度学习神经网络模型以yolov8为基础网络，所述深度学习神经网络模型的网络结构包括骨干网络、颈部网络和头部网络，所述骨干网络为cspdarknet53，所述颈部网络采用pan-fpn结构，所述颈部网络采用ghostconv模块进行卷积操作，所述颈部网络采用carafe算子进行上采样操作，所述颈部网络引入有多维协作注意力机制，所述头部网络采用解耦头部结构。

5、在一些实施例中，所述carafe算子包括有内核预测模块和特征感知重组模块。

6、在一些实施例中，所述ghostconv模块由第一部分、第二部分和第三部分组成，所述第一部分通过1×1的卷积对输入特征图进行特征提取；所述第二部分通过深度可分卷积分别对单通道进行低计算量的运算；所述第三部分将所述第一部分生成的特征图与第二冗余特征图进行拼接，得到输出特征图。

7、在一些实施例中，所述颈部网络还包括下采样层、特征拼接层和多个c2f模块，在每个所述c2f模块后都增加所述多维协作注意力机制。

8、在一些实施例中，所述多维协作注意力机制由挤压转换机制、激励转换机制和聚合组成，所述挤压转换机制是通过平均池化和标准差池化获得特征进行有效结合；所述激励转换机制是能够自适应地确定交互覆盖范围，以获得通道之间的局部特征交互；所述多维协作注意力机制包括顶部分支、中间分支和底部分支，所述顶部分支、所述中间分支和所述底部分支通过积分阶段中的操作聚合在一起并生成细化特征图。

9、在一些实施例中，所述顶部分支用于捕获空间维度w中特征之间的交互作用，所述中间分支用于捕获空间维度h中特征之间的交互作用，所述底部分支用于捕获通道之间的交互作用。

10、在一些实施例中，所述头部网络利用两个独立的分支进行对象分类任务和预测边界框回归任务，所述分类任务采用二元交叉熵损失函数，所述预测框边界回归任务采用分布焦点损失函数和ciou损失函数。

11、第二方面，本发明实施例还提供了一种基于改进yolov8的柑橘成熟度检测装置，所述装置包括：

12、获取模块，用于获取柑橘图像；

13、检测模块，用于将所述柑橘图像输入至预先训练好的深度学习神经网络模型进行成熟度检测，得到检测结果，其中，所述深度学习神经网络模型以yolov8为基础网络，所述深度学习神经网络模型的网络结构包括骨干网络、颈部网络和头部网络，所述骨干网络为cspdarknet53，所述颈部网络采用pan-fpn结构，所述颈部网络采用ghostconv模块进行卷积操作，所述颈部网络采用carafe算子进行上采样操作，所述颈部网络引入有多维协作注意力机制，所述头部网络采用解耦头部结构。

14、第三方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的基于改进yolov8的柑橘成熟度检测方法。

15、第四方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的基于改进yolov8的柑橘成熟度检测方法。

16、根据本发明实施例提供的基于改进yolov8的柑橘成熟度检测方法和相关装置，其中，基于改进yolov8的柑橘成熟度检测方法包括：获取柑橘图像；将柑橘图像输入至预先训练好的深度学习神经网络模型进行成熟度检测，得到检测结果，其中，深度学习神经网络模型以yolov8为基础网络，深度学习神经网络模型的网络结构包括骨干网络、颈部网络和头部网络，骨干网络为cspdarknet53，颈部网络采用pan-fpn结构，颈部网络采用ghostconv模块进行卷积操作，颈部网络采用carafe算子进行上采样操作，颈部网络引入有多维协作注意力机制，头部网络采用解耦头部结构。基于此，本发明实施例采用改进的yolov8算法的深度学习神经网络模型，利用ghostconv降低参数量提高检测精度，结合carafe上采样算子和多维协作注意力机制mca显著提升特征提取能力。该深度学习神经网络模型不仅能够快速准确地检测新会柑，而且在被树叶遮挡的情况下对柑橘的检测效果更佳，同时解决了传统人工识别分类效率低的问题。

1.一种基于改进yolov8的柑橘成熟度检测方法，包括：

2.根据权利要求1所述的方法，其特征在于，所述carafe算子包括有内核预测模块和特征感知重组模块。

3.根据权利要求1所述的方法，其特征在于，所述ghostconv模块由第一部分、第二部分和第三部分组成，所述第一部分通过1×1的卷积对输入特征图进行特征提取；所述第二部分通过深度可分卷积分别对单通道进行低计算量的运算；所述第三部分将所述第一部分生成的特征图与第二冗余特征图进行拼接，得到输出特征图。

4.根据权利要求1所述的方法，其特征在于，所述颈部网络还包括下采样层、特征拼接层和多个c2f模块，在每个所述c2f模块后都增加所述多维协作注意力机制。

5.根据权利要求1所述的方法，其特征在于，所述多维协作注意力机制由挤压转换机制、激励转换机制和聚合组成，所述挤压转换机制是通过平均池化和标准差池化获得特征进行有效结合；所述激励转换机制是能够自适应地确定交互覆盖范围，以获得通道之间的局部特征交互；所述多维协作注意力机制包括顶部分支、中间分支和底部分支，所述顶部分支、所述中间分支和所述底部分支通过积分阶段中的操作聚合在一起并生成细化特征图。

6.根据权利要求5所述的方法，其特征在于，所述顶部分支用于捕获空间维度w中特征之间的交互作用，所述中间分支用于捕获空间维度h中特征之间的交互作用，所述底部分支用于捕获通道之间的交互作用。

7.根据权利要求1所述的方法，其特征在于，所述头部网络利用两个独立的分支进行对象分类任务和预测边界框回归任务，所述分类任务采用二元交叉熵损失函数，所述预测框边界回归任务采用分布焦点损失函数和ciou损失函数。

8.一种基于改进yolov8的柑橘成熟度检测装置，其特征在于，所述装置包括：

9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于改进yolov8的柑橘成熟度检测方法。

10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至7任意一项所述的基于改进yolov8的柑橘成熟度检测方法。