基于改进YOLOv8s-Seg的鸡蛋沙壳区域分割方法研究

摘要

本文针对鸡蛋品质评估及蛋鸡饲养状况监测中的自动化检测需求，提出了YOLOv8-CTAC模型，以解决沙壳蛋蛋壳表面粗糙钙化物的自动分割难题。针对YOLOv8s-Seg模型在处理多尺度信息、特征表达及关键区域关注度方面的不足，本文通过整合尺度序列特征融合（SSFF）模块、三重特征编码（TFE）模块和通道与位置注意力机制（CPAM）模块，优化了模型的特征提取与表达能力。同时，为应对沙壳类别不平衡问题，引入了变焦损失（VFL）函数。实验结果表明，YOLOv8-CTAC模型在边界框（box）和掩码（mask）两个评估层面上的准确率、召回率和平均精度均值相较于YOLOv8s-Seg模型分别提升了6.7%、8.3%、7.4%和8.3%、8.9%、8.2%，且在平均精准度均值上相较于Mask R-CNN、SOLOv2、YOLOv8n-Seg及YOLOv8s-Seg等主流算法分别提升了3.2%、10.1%、10.3%、6.7%，显著优化了复杂沙壳区域的检测效果，为沙壳蛋的自动化检测和分割任务提供了强有力的技术支撑和方法保障。

关键词

深度学习 / 多尺度特征提取 / 图像分割 / YOLOv8s / 沙壳蛋