基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法

S951.2; 目前蟹塘内水草清理以人工作业为主,劳动强度大,作业效率低,自动水草清理船能大幅降低劳动强度,提高作业效率,而确定蟹塘水草分布是规划水草清理船高效作业路径的关键基础.针对无人机采集的蟹塘水草图像中水草与岸边植被相似性高、难以准确区分等问题,该研究提出一种基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法.改进模型从降低模型大小和提高召回率的角度出发,首先基于RT-DETR(real-time detection transformer)的HGNetv2(hierarchical graph network)轻量化网络结构重设主干特征提取网络,缩减模型体积;其次以Effic...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 17; pp. 224 - 233
Main Authors 孙月平, 刘勇, 郭佩璇, 李自强, 孟祥汶, 赵德安
Format Journal Article
LanguageChinese
Published 江苏大学电气信息工程学院,镇江 212013 01.09.2024
江苏大学机械工业设施农业测控技术与装备重点实验室,镇江 212013
常州东风农机集团有限公司,常州 213200%江苏大学电气信息工程学院,镇江 212013%江苏大学电气信息工程学院,镇江 212013
Subjects
水草清理船
坐标转换
image segmentation
YOLOv8n-seg
图像分割
path planning
water plant cleaning boat
crab pond
蟹塘
路径规划
coordinate transformation
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202404093

Cover

More Information
Summary:S951.2; 目前蟹塘内水草清理以人工作业为主,劳动强度大,作业效率低,自动水草清理船能大幅降低劳动强度,提高作业效率,而确定蟹塘水草分布是规划水草清理船高效作业路径的关键基础.针对无人机采集的蟹塘水草图像中水草与岸边植被相似性高、难以准确区分等问题,该研究提出一种基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法.改进模型从降低模型大小和提高召回率的角度出发,首先基于RT-DETR(real-time detection transformer)的HGNetv2(hierarchical graph network)轻量化网络结构重设主干特征提取网络,缩减模型体积;其次以Efficient Rep轻量化结构为基准重构颈部网络,在降低参数量的同时增强模型的多尺度特征融合能力;接着在特征提取层引入SegNext注意力机制,加强模型对蟹塘水草区域的敏感度.为了消除模型在识别过程中产生的冗余区域,进一步提高分割精度,采用二值化处理对分割结果进行优化,并结合图像处理算法对水草区域进行面积筛选;经过坐标转换后得到精确水草轮廓经纬度坐标.试验结果表明:改进模型对蟹塘水草具有良好的区分度和分割效果,其参数量和计算量分别为1.49 M和8.4GFLOPs,召回率和平均精度均值分别为91.5％和95.6％,与原YOLOv8n-seg模型相比,模型体积减小了 49.7％,分割速度提升了 32.3％.在坐标转换试验中,水草定位精度平均误差为0.22 m,验证了改进模型能够满足蟹塘水草区域分割与定位要求.研究结果为后续水草清理船自动作业路径规划研究提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202404093