基于改进YOLOv8的朝天椒轻量级检测方法

摘要

为提高朝天椒果实的检测精度，实现将模型方便快速部署到移动端，提出了一种基于改进YOLOv8的轻量化朝天椒果实检测方法。在骨干网络中使用GhostConv和全新设计的C2fGhost替换传统卷积与C2f模块，减少了网络参数和计算量，提升了模型的检测性能；为提高模型在复杂背景下朝天椒果实的检测效果，添加全局注意力机制模块于颈部网络，提高模型的特征融合能力；使用SIoU边界损失函数替代原损失函数，提升了网络边界框回归性能和对小目标果实的检测效果。实验结果表明，对自然环境下建立的朝天椒果实数据集，改进后模型的参数量、计算量和权重大小分别为2.46×10～6、10.5 GFLOPS和6.02 MB,仅为原始网络模型的81%、37%和96%,且检测速度和平均精度分别达到了96帧/s和88.5%。不仅提高了检测精度，还大幅减少了模型的整体体积，为后续朝天椒果实采摘机器人移动端的部署和应用提供参考和依据。

关键词

图像处理 / 朝天椒 / YOLOv8 / 轻量化网络 / 小目标 / 自然环境 / 注意力机制 / 损失函数