本發(fā)明涉及蔬菜雜草檢測(cè)，更具體地，涉及一種基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建及檢測(cè)方法。

背景技術(shù)：

1、在農(nóng)業(yè)生產(chǎn)中，田間雜草的管理是確保作物健康生長(zhǎng)和高產(chǎn)的重要環(huán)節(jié)之一。雜草與蔬菜作物爭(zhēng)奪陽光、水分和養(yǎng)分，嚴(yán)重影響了蔬菜的產(chǎn)量和品質(zhì)。此外，一些雜草可能成為病蟲害的寄主，加劇蔬菜病蟲害的發(fā)生，進(jìn)一步威脅農(nóng)業(yè)生產(chǎn)的安全和效益。傳統(tǒng)的除草方法主要依賴于人工拔草和化學(xué)除草劑。人工拔草雖然有效，但費(fèi)時(shí)費(fèi)力，成本較高，尤其是在大面積種植的情況下更顯得效率低下。而化學(xué)除草劑盡管使用方便，見效快，但長(zhǎng)期使用會(huì)導(dǎo)致土壤污染、農(nóng)藥殘留以及對(duì)生態(tài)環(huán)境和人體健康的潛在危害。因此，尋找一種高效、環(huán)保且經(jīng)濟(jì)可行的除草方法成為當(dāng)前農(nóng)業(yè)科技研究的熱點(diǎn)。

2、傳統(tǒng)的雜草識(shí)別方法通常依賴于對(duì)植物的紋理、顏色、形狀等特征進(jìn)行分析。然而，這些特征需要人工提取，算法設(shè)計(jì)復(fù)雜，并且存在識(shí)別精度低、魯棒性差等缺陷。隨著科技的進(jìn)步，基于機(jī)器視覺和人工智能的自動(dòng)化除草技術(shù)逐漸進(jìn)入了人們的視野。這些技術(shù)通過對(duì)田間圖像的實(shí)時(shí)處理和分析，能夠準(zhǔn)確識(shí)別蔬菜與雜草，從而實(shí)現(xiàn)精確的機(jī)械除草或靶向噴灑除草劑。此類技術(shù)極大地提高了除草的效率和精度，減少了環(huán)境污染的風(fēng)險(xiǎn)，推動(dòng)了農(nóng)業(yè)生產(chǎn)的現(xiàn)代化和可持續(xù)發(fā)展。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在克服上述現(xiàn)有技術(shù)的至少一種缺陷(不足)，提供一種基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建及檢測(cè)方法，用于解決雜草檢測(cè)準(zhǔn)確率低、實(shí)時(shí)性差的問題，通過改進(jìn)原始的yolov8網(wǎng)絡(luò)來訓(xùn)練得到蔬菜雜草檢測(cè)模型實(shí)現(xiàn)準(zhǔn)確地識(shí)別蔬菜與雜菜，從而精確地機(jī)械除草或者靶向噴灑除草劑，提高除草的效率和精度，減少環(huán)境污染，推動(dòng)農(nóng)業(yè)生產(chǎn)的現(xiàn)代化和可持續(xù)發(fā)展。

2、本發(fā)明采取的技術(shù)方案是一種基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，所述構(gòu)建方法包括：

3、s1：采集蔬菜田間雜草圖像，構(gòu)建蔬菜雜草數(shù)據(jù)集，并按照預(yù)設(shè)的比例將蔬菜雜草數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

4、s2：構(gòu)建改進(jìn)的yolov8網(wǎng)絡(luò)模型來建立蔬菜田間雜草檢測(cè)模型；

5、s3：將訓(xùn)練集輸入至改進(jìn)后的yolov8網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，使用驗(yàn)證集來驗(yàn)證模型的表現(xiàn)并根據(jù)驗(yàn)證集的評(píng)估結(jié)果調(diào)整模型的參數(shù)，最后采用所述測(cè)試集來評(píng)估模型的性能，得到最終的蔬菜田間雜草檢測(cè)模型；

6、優(yōu)選地，在所述步驟s2中包括了：

7、s21：在原始yolov8網(wǎng)絡(luò)模型中引入深度可分離卷積dsconv；

8、s22：將原始yolov8網(wǎng)絡(luò)模型的neck層中的concat模塊替換為上下文交互融合模塊cifm；

9、s23：將原始yolov8網(wǎng)絡(luò)模型的head檢測(cè)頭替換為輕量化的lscd檢測(cè)頭。

10、在本發(fā)明中通過對(duì)原始yolov8模型進(jìn)行改進(jìn)并訓(xùn)練得到蔬菜田間雜草檢測(cè)模型，利用該模型來對(duì)田間環(huán)境中的雜草進(jìn)行檢測(cè)，能夠快速且準(zhǔn)確地檢測(cè)出不同類型的雜草，并能夠準(zhǔn)確地定位雜草的位置，從而精確地進(jìn)行機(jī)械除草或者靶向噴灑除草劑，避免對(duì)周圍作物的損害，提高除草的精度和效率，推動(dòng)農(nóng)業(yè)管理的自動(dòng)化和智能化。

11、優(yōu)選地，在所述步驟s21中，具體為原始yolov8網(wǎng)絡(luò)模型的在backbone層和neck層引入深度可分離卷積dsconv；所述dsconv分為兩部分，一部分是應(yīng)用輸入單個(gè)通道上的depthwise逐通道卷積，一部分是核大小為1×1的pointwise的逐點(diǎn)卷積；該卷積首先在空間上對(duì)輸入圖像進(jìn)行卷積操作，然后對(duì)經(jīng)過逐通道卷積的map在深度方向上進(jìn)行加權(quán)組合并作為輸出。

12、在本發(fā)明中對(duì)原始的yolov8網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)，首先在原始網(wǎng)絡(luò)的backbone層和neck層引入深度可分離卷積dsconv，將原有的普通卷積以及c2f模塊中的普通卷積替換為深度可分離卷積dsconv，在維持卷積的輸出特征圖尺寸和通道大小與原網(wǎng)絡(luò)一致、不損害模型性能的情況下，顯著減少模型的參數(shù)和計(jì)算負(fù)載，同時(shí)增強(qiáng)感受野和泛化能力，從而提升整體的模型效率和應(yīng)用性能。

13、優(yōu)選地，在所述步驟s22中，通過引入cifm來獲得高維信息與低維信息的融合特征，包括：

14、s221：接收高維特征fh輸入和接收低維特征fl輸入；

15、s222：將所述高維特征fh輸入和低維特征fl輸入連接起來生成連接特征；

16、s223：對(duì)所述連接特征進(jìn)行全局平均池化處理并進(jìn)行第一次線性變換，然后采用relu函數(shù)進(jìn)行激活，接著進(jìn)行第二次線性變換，最后采用sigmoid函數(shù)進(jìn)行激活，生成權(quán)重系數(shù)；

17、s224：將所述權(quán)重系數(shù)與高維特征fh輸入逐元素相乘，得到第一乘法結(jié)果；將所述權(quán)重系數(shù)與低維特征fl輸入逐元素相乘，得到第二乘法結(jié)果；

18、s225：將高維特征fh輸入與第二乘法結(jié)果相加，得到第一加法結(jié)果；將接收低維特征fl輸入與第一乘法結(jié)果相加，得到第二加法結(jié)果；

19、s226：將所述第一加法結(jié)果和第二加法結(jié)果的輸出進(jìn)行連接，生成最終融合特征ff。

20、從而通過利用上下文交互融合模塊cifm更復(fù)雜的交互機(jī)制來融合不同層次和來源的特征信息，幫助網(wǎng)絡(luò)更深入地理解和整合特征之間的關(guān)系，從而增強(qiáng)特征的表征能力，實(shí)現(xiàn)特征的多尺度感知和融合，提高了特征融合的效果和性能，增強(qiáng)模型的泛化能力。

21、優(yōu)選地，在所述步驟s23中，所述lscd檢測(cè)頭采用一個(gè)共享的groupnorm卷積層代替head檢測(cè)頭使用的兩個(gè)普通卷積層，并采用尺度層對(duì)特征進(jìn)行尺度縮放處理。

22、通過使用一個(gè)共享的groupnorm卷積層來代替兩個(gè)普通卷積層，可以在保證模型性能的同時(shí)顯著減少模型的復(fù)雜度和參數(shù)數(shù)量，減少參數(shù)數(shù)量和復(fù)雜度不僅降低了模型在推理階段的計(jì)算開銷，還能加速模型的訓(xùn)練過程，顯著地節(jié)省時(shí)間和計(jì)算資源，使模型更具通用性和適應(yīng)性。

23、優(yōu)選地，所述groupnorm卷積層為一種正則化方法，通過將特征通道分成若干組，并在每組內(nèi)進(jìn)行歸一化處理；其中，正則化計(jì)算公式如下：

24、

25、其中，為歸一化后的特征，xi為原始特征，μg為第g組的均值，為第g組的方差，∈為一個(gè)小的常數(shù)，用于避免除零。

26、groupnorm通過組內(nèi)歸一化處理，有效地提高了模型對(duì)小批量數(shù)據(jù)和不規(guī)則數(shù)據(jù)尺寸的處理能力，同時(shí)減少了對(duì)batch?size的依賴，使其對(duì)圖像的適應(yīng)性更強(qiáng)。

27、優(yōu)選地，所述采用尺度層對(duì)特征進(jìn)行尺度縮放處理包括：通過上采樣或下采樣的方式調(diào)整特征圖的分辨率，使得不同檢測(cè)頭之間的特征尺度一致，從而解決目標(biāo)尺度不一致的問題。

28、優(yōu)選地，在所述步驟s1中，所述采集蔬菜田間雜草圖像包括：采集作物生長(zhǎng)平面與圖像傳感器存在若干個(gè)不同傾斜角度的蔬菜苗與雜草圖像；采集雜草與作物伴生、雜草遠(yuǎn)離作物、雜草分布密集、單獨(dú)存在作物的蔬菜苗與雜草圖像。

29、在本技術(shù)中通過對(duì)采集不同傾斜角度和不同場(chǎng)景下的蔬菜苗與雜草圖像來增加數(shù)據(jù)集的多樣性，有助于模型學(xué)習(xí)到更廣泛的特征和場(chǎng)景變化，提升模型在實(shí)際應(yīng)用中的泛化能力，從而提高模型預(yù)測(cè)的準(zhǔn)確性和可靠性。

30、另一方面，本發(fā)明還一種基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草檢測(cè)方法，所述檢測(cè)方法包括：

31、s01：采用msrcp算法對(duì)待檢測(cè)蔬菜雜草圖像進(jìn)行增強(qiáng)；

32、s02：將增強(qiáng)后的待檢測(cè)蔬菜雜草圖像輸入到根據(jù)上述所述構(gòu)建方法得到蔬菜田間雜草檢測(cè)模型中進(jìn)行檢測(cè)，得到雜草檢測(cè)結(jié)果。

33、在本發(fā)明中首先利用msrcp算法來增強(qiáng)待檢測(cè)蔬菜雜草圖像的細(xì)節(jié)和對(duì)比度，然后再將其輸入到訓(xùn)練好的蔬菜田間雜草檢測(cè)模型中進(jìn)行檢測(cè)，提高蔬菜雜草檢測(cè)的速率和準(zhǔn)確率，從而實(shí)現(xiàn)精確地機(jī)械除草或靶向噴灑除草劑，減少了環(huán)境污染的風(fēng)險(xiǎn)，推動(dòng)了農(nóng)業(yè)生產(chǎn)的現(xiàn)代化和可持續(xù)發(fā)展。

34、優(yōu)選地，所述msrcp算法結(jié)合了顏色保持技術(shù)，通過對(duì)圖像進(jìn)行多尺度處理，分別在不同尺度上進(jìn)行retinex增強(qiáng)，然后將增強(qiáng)后的結(jié)果進(jìn)行融合，從而提高圖像的整體亮度和對(duì)比度。

35、進(jìn)一步優(yōu)選地，所述msrcp算法計(jì)算公式如下：

36、int＝(ir+ig+ib)/3；

37、

38、b＝max(iri+igi+ibi)；

39、r(x，y)＝ai(r，g，b)(x，y)；

40、其中，int表示強(qiáng)度圖像灰度值；ir，ig，ib表示原始圖像的r、g、b通道分量；inti表示單通道強(qiáng)度圖像灰度值；下標(biāo)i表示像素索引；r(x，y)表示增強(qiáng)后圖像值；i(r，g，b)(x，y)表示圖像在坐標(biāo)(x，y)處的rgb特征圖像值。

41、在本發(fā)明中將待檢測(cè)蔬菜雜草圖像輸入到模型中進(jìn)行檢測(cè)前，還包括了利用msrcp算法來對(duì)其進(jìn)行優(yōu)化處理，使用多尺度的方法來處理圖像，不僅考慮全局的光照變化，還能處理局部的光照不均和細(xì)節(jié)信息，通過多尺度分解，來捕捉不同空間頻率的細(xì)節(jié)信息，從而更全面地增強(qiáng)圖像的視覺效果，并且還引入顏色保持技術(shù)，確保在增強(qiáng)過程中盡可能保持原始圖像的色彩特性，從而增強(qiáng)了待檢測(cè)的蔬菜雜草圖像的細(xì)節(jié)和對(duì)比度。

42、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

43、(1)本發(fā)明以深度可分離卷積dsconv替換原yolov8網(wǎng)絡(luò)backbone和neck層的卷積模塊，在維持卷積的輸出特征圖尺寸和通道大小與原網(wǎng)絡(luò)一直情況下，大幅降低了網(wǎng)絡(luò)模型整體計(jì)算量和參數(shù)量，提高了蔬菜雜草檢測(cè)的實(shí)時(shí)性。

44、(2)本發(fā)明提出了上下文交互融合模塊cifm，并在原yolov8網(wǎng)絡(luò)中引入該模塊，獲得高維與低維信息的融合特征，實(shí)現(xiàn)了特征的多尺度感知和融合，更有利于提取目標(biāo)的特征信息。

45、(3)本發(fā)明將原yolov8網(wǎng)絡(luò)中的檢測(cè)頭替換為lscd檢測(cè)頭，在確保檢測(cè)精度的情況下，大幅減少了參數(shù)量，為部署到嵌入式設(shè)備奠定了基礎(chǔ)。

46、(4)本發(fā)明采用msrcp算法增強(qiáng)待檢測(cè)的蔬菜雜草圖像的細(xì)節(jié)和對(duì)比度，提高蔬菜雜草檢測(cè)模型的識(shí)別準(zhǔn)確率。