YOLOv8改进算法在油茶果分拣中的应用

摘要

现有的油茶果分拣系统所依赖的YOLO等算法的目标检测、实例分割在低尺寸及密集型样本中鲁棒性较差，存在机械臂常抓取到枝叶、抓取不牢固、易脱落等问题。大部分系统使用目标识别，无法准确识别油茶果具体轮廓信息，不能对油茶果进行大小分类。针对这一问题，研究提出了YOWNet模型应对油茶果分拣的小目标、高密度识别任务。首先，研究了自动化边缘标注脚本，脚本调用零样本Segment Anything框架对原有已标注的油茶果目标检测框提取兴趣区间，将其自动转化为边缘标注信息；其次，为了提高模型对小目标的识别能力，研究摒弃了现有的固定感受野的卷积模块，针对油茶果特性提出三维注意力动态卷积模块用于捕捉特征图中的关键信息；最后，研究通过使用Wise-IoU损失函数，基于动态非单调聚焦机制的边界框损失，提升边框回归精度。总体网络模型命名为YOWNet,通过与YOLOv8在油茶果上的消融实验对比，试验结果表明：YOWNet模型能够快速准确地识别油茶果实例，在私有数据集上，准确度、Box＿loss可达89.90%和0.523。

关键词

油茶果 / 三维动态卷积 / 实例分割 / YOLOv8 / Segment Anything Model / Wise-IoU