本發(fā)明涉及圖像分類領(lǐng)域，尤其涉及一種基于改進(jìn)yolov8n-cls的花生霉變分類方法。

背景技術(shù)：

1、花生在采摘、加工、運(yùn)輸?shù)冗^(guò)程中出現(xiàn)存儲(chǔ)條件不當(dāng)，容易導(dǎo)致花生霉變，產(chǎn)生黃曲霉毒素。黃曲霉毒素是寄生曲霉、黃曲霉產(chǎn)生的劇毒化合物，被世界衛(wèi)生組織歸為天然存在的一級(jí)致癌物。因此，對(duì)霉變花生的有效分類對(duì)保障食品安全有著重大的現(xiàn)實(shí)意義。

2、目前，霉變花生的分類主要依靠于人工篩選的方式，由于人工篩選效率低不能滿足花生加工產(chǎn)業(yè)的需求，需要一種高效、準(zhǔn)確率高的分類方法。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，圖像分類模型可應(yīng)用于花生霉變領(lǐng)域。針對(duì)目前圖像分類模型參數(shù)量大、不易部署和終端設(shè)備計(jì)算資源有限等問(wèn)題，提出一種基于改進(jìn)yolov8n-cls的花生霉變分類方法。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)應(yīng)用領(lǐng)域的需求和背景技術(shù)的不足，本發(fā)明的目的在于提供一種基于改進(jìn)yolov8n-cls的花生霉變分類方法。

2、為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：

3、步驟1：獲取花生圖像，對(duì)花生圖像進(jìn)行數(shù)據(jù)增強(qiáng)，具體方式為圖像翻轉(zhuǎn)、圖像旋轉(zhuǎn)和圖像平移，生成花生數(shù)據(jù)集；

4、步驟2：將花生數(shù)據(jù)集按8：2的比例劃分為訓(xùn)練集和驗(yàn)證集；

5、步驟3：構(gòu)建改進(jìn)yolov8n-cls模型，將yolov8n-cls模型主干網(wǎng)絡(luò)中的部分c2f模塊和conv模塊分別替換成c3ghost模塊和ghostconv模塊；在主干網(wǎng)絡(luò)中添加無(wú)參注意力機(jī)制simam模塊，得到改進(jìn)后的yolov8n-cls-cgs模型；

6、步驟4：使用訓(xùn)練集和驗(yàn)證集對(duì)yolov8n-cls-cgs模型進(jìn)行訓(xùn)練與驗(yàn)證，得到訓(xùn)練好的花生霉變分類模型；

7、步驟5：獲取待分類的花生圖像，輸入訓(xùn)練好的花生霉變分類模型得到分類檢測(cè)結(jié)果；

8、所述的步驟3中構(gòu)建改進(jìn)yolov8n-cls模型過(guò)程為：

9、將yolov8n-cls模型主干網(wǎng)絡(luò)中的第3和第4個(gè)c2f模塊均用c3ghost模塊進(jìn)行替換；第4和第5個(gè)conv模塊均用ghostconv模塊進(jìn)行替換，使用更少的參數(shù)和計(jì)算來(lái)提取特征，降低模型的復(fù)雜性和訓(xùn)練難度；在主干網(wǎng)絡(luò)中第2個(gè)c2f模塊后面添加一個(gè)無(wú)參注意力機(jī)制simam模塊，在不增加額外參數(shù)的前提下，強(qiáng)化網(wǎng)絡(luò)對(duì)特征的捕獲能力，得到改進(jìn)后的yolov8n-cls-cgs模型；yolov8n-cls-cgs模型主干網(wǎng)絡(luò)中第0層到第9層依次連接分別為conv、conv、c2f、conv、c2f、simam、ghostconv、c3ghost、ghostconv、c3ghost；第9層c3ghost連接一個(gè)分類頭classify。

10、與背景技術(shù)相比，本發(fā)明的增益效果為：

11、1.本發(fā)明提出的yolov8n-cls-cgs模型在保證準(zhǔn)確率的同時(shí)降低模型大小，能夠部署在計(jì)算資源有限的終端設(shè)備中。

12、2.改進(jìn)后的yolov8n-cls-cgs模型增強(qiáng)了特征提取能力，對(duì)花生霉變分類準(zhǔn)確率提高，相較于人工篩選，具有高準(zhǔn)確率和高檢測(cè)效率等特點(diǎn)。

技術(shù)特征：

1.一種基于改進(jìn)yolov8n-cls的花生霉變分類方法，其特征在于：包括以下步驟：

技術(shù)總結(jié)
本發(fā)明公開了一種基于改進(jìn)YOLOv8n?cls的花生霉變分類方法，包括以下步驟：獲取花生圖像進(jìn)行數(shù)據(jù)增強(qiáng)生成花生數(shù)據(jù)集；將花生數(shù)據(jù)集按設(shè)定的比例劃分為訓(xùn)練集和驗(yàn)證集；構(gòu)建改進(jìn)YOLOv8n?cls模型，引入C3Ghost模塊、GhostConv模塊和SimAM模塊，得到改進(jìn)后的YOLOv8n?cls?CGS模型；使用訓(xùn)練集和驗(yàn)證集對(duì)YOLOv8n?cls?CGS模型進(jìn)行訓(xùn)練與驗(yàn)證，得到花生霉變分類模型；獲取待分類的花生圖像輸入花生霉變分類模型，得到分類檢測(cè)結(jié)果。本發(fā)明對(duì)YOLOv8n?cls模型進(jìn)行改進(jìn)，提高了花生霉變分類準(zhǔn)確率，同時(shí)降低了模型的大小，能夠部署在計(jì)算資源有限的終端設(shè)備中。

技術(shù)研發(fā)人員：陳愛軍,于超,蔡晉輝,吳威
受保護(hù)的技術(shù)使用者：中國(guó)計(jì)量大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10