1.一种基于YOLOv8的大田麦穗检测方法,其特征在于:该方法包括下列顺序的步骤:(1)获取麦穗数据集:对小麦进行拍照,将拍摄的图片裁剪成统一大小并标注,得到麦穗数据集,将麦穗数据集划分为训练集、验证集和测试集;
(2)对YOLOv8网络模型进行改进,得到改进后的YOLOv8网络模型;
(3)将训练集输入改进后的YOLOv8网络模型中进行训练,得到训练后的YOLOv8网络模型;
(4)对训练后的YOLOv8网络模型进行评价;
(5)将待检测的麦穗图片输入训练后的YOLOv8网络模型,训练后的YOLOv8网络模型输出最终检测结果。
2.根据权利要求1所述的基于YOLOv8的大田麦穗检测方法,其特征在于:所述步骤(1)具体包括以下步骤:(1a)在拍照时,保持镜头与地面距离1.5m,采集200张图片,每张图片像素为9616×
6912;
(1b)将每张图片统一裁剪为1024×1024大小的图片,对每张图片中的小麦麦穗进行标注,得到存有图片中小麦麦穗的坐标及长宽信息的txt文件即麦穗数据集;
(1c)将麦穗数据集按照6:3:1的比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的基于YOLOv8的大田麦穗检测方法,其特征在于:所述步骤(2)具体包括以下步骤:(2a)将YOLOv8网络模型中的特征融合模块替换为渐进特征金字塔网络AFPN,在YOLOv8网络模型的主干网络自底向上的特征提取过程中,首先通过结合两个不同分辨率的低级特征来启动融合过程,然后将高级特征纳入融合过程,最终融合主干网络的顶级特征,在此过程中,低级特征与高级特征的语义信息融合,高级特征与低级特征的细节信息融合;即特征融合之前从主干网络的每个特征层中提取最后一层特征,得到一组不同尺度的特征,表示为{C3,C4,C5},其中C3为低级特征,C4为高级特征,C5为顶级特征,为进行特征融合,首先将低级特征C3输入到渐进特征金字塔网络AFPN中,然后加入高级特征C4,最后加入顶级特征C5;经过特征融合步骤,得到一组多尺度特征{P3,P4,P5};设 表示从n层到l层(i,j)处的特征向量,通过多层次特征自适应空间融合得到的特征向量,记为 由特征向量和 的线性组合定义为:式中, 分别表示第l层三个层次特征的空间权重,
(2b)将YOLOv8网络模型中的标准卷积模块替换为深度可分离卷积模块,所述深度可分离卷积模块包括深度卷积模块和逐点卷积模块,所述深度卷积模块的一个卷积核负责一个输入通道,卷积核数与输入的通道数、输出的通道数相同;为有效地利用不同通道在相同空间位置上的特征信息,产生新的特征图,使用逐点卷积模块的输入为深度卷积模块的输出,且卷积大小为1×1;设标准卷积模块和深度卷积模块的卷积核大小为DK×DK,DF为正方形输入特征图的空间高度和宽度,M是正方形输入特征图的输入通道数,N为正方形输入特征图的输出通道数,标准卷积模块的参数量为:DK·DK·M·N·DF·DF
深度可分离卷积先经过深度卷积,深度卷积的参数量为DK·DK·M·DF·DF,然后经过逐点卷积,逐点卷积的参数量为M·N·DF·DF,深度可分离卷积的参数量为DK·DK·M·DF·DF+M·N·DF·DF,则深度可分离卷积和标准卷积的参数量进行比较:可见,深度可分离卷积具有显著减少计算和模型大小的效果。
4.根据权利要求1所述的基于YOLOv8的大田麦穗检测方法,其特征在于:所述步骤(4)具体是指:采用准确率P、召回率R、平均精度mAP、每秒传输帧数FPS和浮点运算数GFLOPS对训练后的YOLOv8网络模型进行评价,公式如下:其中,TP为真阳性样本,表示正确识别麦穗的数量;FP为假阳性样本,即错误识别为麦穗的数量;FN为假阴性样本,即未识别的麦穗目标数量,M为麦穗的种类,P(R)为精确率和召回率的关系。