基于改进YOLOv8s的大田甘蓝移栽状态检测算法

• Published in: 智慧农业（中英文） Vol. 6; no. 2; pp. 107 - 117
• Main Authors: 吴小燕, 郭威, 朱轶萍, 朱华吉, 吴华瑞
• Format: Journal Article
• Language: Chinese
• Published: 中国农业科学院农业信息研究所 30.03.2024; 国家农业信息化工程技术研究中心,北京 100097,中国%国家农业信息化工程技术研究中心,北京 100097,中国; 农业农村部数字乡村技术重点实验室,北京 100097,中国; 农业农村部农业信息技术重点实验室,北京 100097,中国%国家农业信息化工程技术研究中心,北京 100097,中国; 北京市农林科学院 信息技术研究中心,北京 100097,中国; 广西大学 计算机与电子信息学院,广西南宁 530000,中国
• Subjects: 甘蓝移栽; 可变形卷积; YOLOv8s; 目标检测; 多尺度注意力机制; transplantation of cabbage; target detection; multi-scale attention; deformable convolution
• ISSN: 2096-8094
• DOI: 10.12133/j.smartag.SA202401008

[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析，将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计，提高甘蓝移栽后的成活率以及制定后续工作方案，减少人力和物力的浪费，研究一种自然环境下高效识别甘蓝移栽状态的算法。[方法]采集移栽后的甘蓝图像，利用数据增强方式对数据进行处理，输入YOLOv8s（You Only Look Once Version 8s）算法中进行识别，通过结合可变形卷积，提高算法特征提取和目标定位能力，捕获更多有用的目标信息，提高对目标的识别效果；通过嵌入多尺度注意力机制，降低背景因素干扰，增加算法对目标区域的关注，提高模型对不同尺寸的甘蓝的检测能力，降低漏检率；通过引入Focal-EIoU Loss（Focal Extended Intersection over Union Loss），优化算法定位精度，提高算法的收敛速度和定位精度。[结果和讨论]提出的算法经过测试，对甘蓝移栽状态的召回率R值和平均精度均值（Mean Average Precision, mAP）分别达到92.2%和96.2%，传输速率为146帧/s，可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。[结论]提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别，可以提升移栽质量测量效率，减少时间和人力投入，提高大田移栽质量调查的自动化程度。