买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:哈尔滨理工大学
摘要:本发明公开了一种基于改进YOLOv8n的轻量化杂草识别方法,属于深度学习和计算机视觉技术领域。该方法主要包括:获取包含不同种类杂草的图像数据集并进行数据集划分;杂草数据预处理;在YOLOv8n基础上进行优化改进,构建杂草识别模型WYOLO;基于杂草识别模型WYOLO,构建轻量化杂草识别模型LWYOLO,在保证识别精度的同时提升识别速度;使用预处理后的数据集对搭建的网络模型进行训练及测试,以识别出杂草图像。利用本发明提出的轻量化杂草识别方法,模型体积小、精度高、运行速度快,为除草设备提供有力支撑,对于提高作物产量、减少化学除草剂的使用以及保护生态环境具有重要意义。
主权项:1.一种基于改进YOLOv8n的轻量化杂草识别方法,其特征在于,具体包括以下步骤:S1:获取包含不同种类杂草的图像数据集并进行数据集划分;S2:杂草数据预处理,具体包含以下步骤:S21:将不清晰和重复的杂草图像清除,消除数据冗余和重复,提高数据的质量以及可靠性;S22:使用Labelme对图像进行VOC格式标注形成标签文件;S23:使用双线性插值法将图像尺寸统一缩小为640*640,以方便匹配模型输入尺寸并提高模型训练效率;S24:进行数据增强,包括亮度变换、随机旋转、模糊虚化、随机裁剪,扩充数据的同时提高模型的泛化性;S25:采用Mosaic方式,在训练集中随机选取4张图片,通过随机缩放、随机裁减、随机排布的方式进行拼接,得到一张新的图像,进一步地增强和扩充;S3:在YOLOv8n基础上进行优化改进,构建杂草识别模型WYOLO,具体包含以下步骤:S31:在YOLOv8n的颈部网络Neck部分,引入双向加权特征金字塔模块,有效融合不同层次的杂草特征,使模型全面学习输入图像特征,提高杂草识别的准确性和稳定性;S32:基于C2f模块的良好特性,设计C2f_EMBC模块,将C2f模块中的卷积替换为移动翻转瓶颈卷积,并融合ESE注意力机制,减少计算量的同时保持模型性能,更好地捕捉特征之间的关系;S33:使用SlideLoss作为分类损失函数,在考虑到类别信息的同时,引入IoU对不同的样例进行加权,缓解杂草样本不平衡问题,使模型在更少的训练干预下获得更好的泛化能力;S34:通过消融实验,分析杂草识别模型的性能评价指标,获取识别精度最优的模型WYOLO;S4:基于杂草识别模型WYOLO,构建轻量化杂草识别模型LWYOLO,在保证识别精度的同时提升识别速度;S41:在YOLOv8n网络模型的Head部分,建立融合EfficientRep思想的高效解耦头,以在维持精度的同时降低延时,缓解解耦头中3*3卷积带来的额外延时开销;S42:将S3构建的杂草识别模型WYOLO作为待剪枝模型,得到利用基于YOLOv8n改进后进行训练的权重文件并进行初始化操作;S43:通过计算连接的权重幅值的平方,并将其归一化为同一层中所有“幸存权重”的平方权重幅值之和得到LAMP分数;S44:根据LAMP分数,选择具有较小分数的连接,并根据预先设定的全局稀疏度要求,选择相应数量的连接进行修剪;S45:将选择的连接从模型中移除,即将其权重设置为零,对修剪后的模型进行重新训练,以恢复修剪过程中可能损失的性能;S46:调节Speed-up参数完成对模型不同程度的剪枝,通过对比实验确定Speed-up为2时的剪枝操作作为最终结果,以使杂草识别模型推理速度得到明显提升又可以保证杂草识别的精度,最终得到轻量化杂草识别模型LWYOLO;S5:使用预处理后的数据集对搭建的网络模型进行训练及测试,以识别出杂草图像。
全文数据:
权利要求:
百度查询: 哈尔滨理工大学 一种基于改进YOLOv8n的轻量化杂草识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。