基于YOLOv8的红枣缺陷检测方法研究

作     者：赵露苗 

作者单位：塔里木大学 

学位级别：硕士

导师姓名：陈立平

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 0802[工学-机械工程] 0902[农学-园艺学] 090201[农学-果树学] 

主      题：红枣缺陷检测 深度学习 YOLOv8 网络轻量化 CA注意力机制 

摘      要：新疆,尤其是南疆,是我国红枣的重要产区。红枣干果,是当前红枣果品采收、加工与销售的主要产品类型。受红枣种植管理、加工、运输过程中,诸如水分效应、药物效应、枝叶遮挡光照效应、物理挤压及病虫害侵害等影响,导致红枣干果产品中存在一定比例的外观品质缺陷,如黑斑、霉变、破裂、风蚀、皱缩、干瘪、形态异常等,降低了产品等级、影响其销售价格。因此,开展鲁棒、高效的红枣智能缺陷检测模型与方法,不仅对红枣加工企业提升检测效率与质量具有重要作用,而且,对枣农自主实现果品等级检测,具有生产价值。 为构建红枣干果外观缺陷图像数据集,自新疆阿拉尔市红福天枣业有限公司采集了6类不同外观品质红枣干果数字图像,人工分类缺陷类型包括:裂口枣、正常枣、药害枣、变形枣、皮皮枣和烂枣等;以Label Img标注图像中的红枣缺陷,并实施数据增强,以提高模型的泛化能力。 在分析借鉴了已有红枣缺陷检测模型与方法的基础上,选取了YOLOv8为红枣干果缺陷检测基础模型,并对比分析了Mobile Net V3、Shuffle Netv2和Ghost三种轻量化网络结构模型在加速检测模型性能差异;针对网络模型轻量化后而导致的精度下降问题;进一步,CA(Coordinate Attention)注意力机制被引入,以提升模型精度。EIo U(Efficient IOU)算法被用于非极大值抑制(Non-Maximum Suppression,NMS)损失的评价函数,以更为有效地辅助和改进目标检测性能。 实验结果表明,YOLOv8基础建模模型对缺陷检测的平均精确率(m AP,Mean Average Precision)、检测速率分别为89.1%、124FPS(Frames Per Second);经Mobile Net V3模块轻量化、引入CA注意力机制和EIo U算法后,模型在平均精确率指标上提升到92.8%、检测速率提升到141FPS,且模型计算量减少约38%。改进模型在检测准确率和检测速率上,都有较大提升。 基于深度学习网络的红枣外观缺陷检测模型,为红枣干果的高效、稳定、精细缺陷检测,提供了智能方法与工具。