YOLOv8算法分類識別機(jī)收甘蔗雜質(zhì)的研究

關(guān)鍵詞機(jī)收甘蔗；YOLOv8；雜質(zhì)；分類；識別中圖分類號S225 文獻(xiàn)標(biāo)識碼A文章編號 0517-6611（2025）08-0200-05doi：10.3969/j.issn.0517-6611.2025.08.041

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

AbstractInvieoftesugarfactoriesrelyentirelyonmanualjudgmentofteimpurityontentinmechanicallyharestedsugarcaehich ishighlysubetiedckssetifsissedpgestoexpeasifatiodcoofimprih callyharvestedsugarcaneeainfocusdbenuildanmageacquisionplatfoanddtaset，selected，aidut，nddsigdhadwareuchasomputersustralameras，ndligsuceseOoritadedtoraindtectatasefoasification，used recall，precision，and average precision mean quantitative evaluation of the detection results，showed that the YOLOv8 algorithm achieved an average accuracy of 7 7 . 4 % in classifying and recognizing machine harvested sugarcane，efectively distinguishingitsdifetoots.solsahillrinfudatiofoubseeeiofipuritotce harvested sugarcane.

KeywordsMachine-harvested sugarcane；YOLOv8；Impurity；Classify；Identify

我國是全球第三大甘蔗生產(chǎn)國[，對于機(jī)械化作業(yè)需求很高，其中機(jī)械化收獲在多年的發(fā)展中取得了一定進(jìn)步，但收獲后會混有不同種類雜質(zhì)，如蔗梢、蔗葉、泥沙等，而雜質(zhì)含量是影響制糖產(chǎn)糖率和經(jīng)濟(jì)效益高低的關(guān)鍵因素之一[2]同時會造成糖廠設(shè)備使用壽命縮短、生產(chǎn)成本增加以及一級糖料出糖率降低等。然而，現(xiàn)在糖廠對于入廠甘蔗測雜仍然依靠人工抽樣檢測或目測，導(dǎo)致效率低、誤差大、缺乏科學(xué)依據(jù)等問題，致使糖廠、機(jī)收隊與蔗農(nóng)三者間產(chǎn)生利益矛盾[3]

針對國內(nèi)甘蔗含雜率檢測現(xiàn)狀，很多學(xué)者進(jìn)行了研究并取得一定進(jìn)展。如周思理等4提出一種分級式機(jī)收甘蔗含雜率智能檢測裝置及方法，利用傳送機(jī)構(gòu)及刮平裝置將堆疊的甘蔗堆刮至單層后送入視覺檢測區(qū)域，實時判斷區(qū)域內(nèi)甘蔗含雜率，該方法對于實時檢測算法要求較高。鄭爽等5研制了甘蔗收獲機(jī)含雜率智能監(jiān)測系統(tǒng)，通過求取每個時段內(nèi)雜質(zhì)所占圖像面積比值形成時序變化曲線，再將該曲線與標(biāo)準(zhǔn)曲線擬合，若重合度 ？ 標(biāo)準(zhǔn)值，則含雜率較高；否則含雜率合格，此系統(tǒng)能實時監(jiān)測但不能將含雜率具體數(shù)值化，只是提供一個判斷標(biāo)準(zhǔn)。張智剛等°設(shè)計了一種切段式機(jī)收甘蔗含雜率快速檢測裝置，該裝置將樣品盒中的機(jī)收甘蔗攤平后輸送至圖像獲取機(jī)構(gòu)處進(jìn)行圖像采集，分別采集甘蔗上下表面的圖像雜質(zhì)信息，再進(jìn)行圖像處理計算含雜率，但檢測速度與效率有待提高。

目前，YOLO系列算法已被廣泛應(yīng)用于圖像識別、目標(biāo)檢測等領(lǐng)域，其中YOLOv8算法面向小目標(biāo)檢測具有較大優(yōu)越性，如檢測速度快、模型性能大幅提升及精度和穩(wěn)定性也有所提高等，十分適合應(yīng)用于機(jī)收甘蔗雜質(zhì)分類識別。筆者采用該算法，通過搭建圖像采集平臺，構(gòu)建機(jī)收甘蔗數(shù)據(jù)集并進(jìn)行分類訓(xùn)練，最后輸出結(jié)果，旨在為糖廠生產(chǎn)過程中的雜質(zhì)扣除環(huán)節(jié)提供技術(shù)支持。

1硬件和算法設(shè)計

1.1 硬件設(shè)計

1.1.1主要硬件體系結(jié)構(gòu)。機(jī)收甘蔗含雜率分類識別系統(tǒng)主要由計算機(jī)、工業(yè)相機(jī)及鏡頭、光源、相機(jī)支架、鋁型材箱體等組成，硬件體系結(jié)構(gòu)如圖1所示。

采用UItraLAB-EX630i型計算機(jī)，系統(tǒng)為Windows10專業(yè)工作站版， ，顯卡NVIDIAGeFerceRTX3070，內(nèi)存 ，其工作性能可以滿足工業(yè)相機(jī)采集圖像及識別功能。

1.1.2工業(yè)相機(jī)選型。采用海康MV-CS060-10GC型工業(yè)相機(jī)作為圖像采集與識別器，其分辨率為 、像元尺寸 信噪比 、焦距 ，采用Sony

IMX178型傳感器，如圖2a所示。

該相機(jī)搭載優(yōu)異的圖像傳感器，動態(tài)范圍高，具有信噪比好、兼容性高等特點。拍攝視場的寬度、鏡頭焦距、感光芯片的靶面尺寸和物距這四者滿足公式（1）[7]：

式中 f 為鏡頭焦距；WD為物距；FOV為拍攝視場的寬度；

H 為芯片的靶面尺寸。

該系統(tǒng)中相機(jī)安裝的高度為 可調(diào)，因此擬定物距 帶入式（1）中，計算出 ，鏡頭通常在 選擇。根據(jù)拍攝場景大小，綜合考慮，鏡頭采用海康MVL-HF0628M-6MPE，如圖2b所示。

1.1.3 光源選型。光源是機(jī)器視覺識別最為關(guān)鍵的部分之一，光源的優(yōu)劣直接決定了圖像的質(zhì)量，進(jìn)而影響整個系統(tǒng)的識別效果。機(jī)器視覺中常見的光源分為熒光燈、鹵素?zé)艉蚅ED燈3種。其中LED燈亮度穩(wěn)定、壽命長、功耗低，在光源的使用中占據(jù)主導(dǎo)地位。LED光源按照結(jié)構(gòu)不同分為環(huán)形光源、條形光源、方形光源等。機(jī)收甘蔗表面細(xì)長，故采用條形光源可以使其表面光照均勻。最初采用2根普通的條形光源置于相機(jī)的上方，但在試驗中發(fā)現(xiàn)，由于拍照黑箱尺寸太大，光源亮度不夠，故采用科麥視覺公司的BRD18030線掃描光源，如圖3所示。該光源由大功率LED燈陣列組成，具有高亮度、高均勻性和高穩(wěn)定性的特點，且亮度可調(diào)，采用2個線掃描光源與甘蔗及雜質(zhì)軸向水平安裝。

注：a.光源控制器；b.條形光源。

Note：a.Light source controller；b.Strip source.

1.1.4圖像采集平臺搭建。為防止外界自然光影響獲取高質(zhì)量圖像過程，該平臺采用黑色啞光鋁型材搭建，并在周圍覆蓋黑色吸光背景布，避免復(fù)雜背景對圖像識別的干擾。同時，為了保證采集到的機(jī)收甘蔗圖像與處理得到結(jié)果的實時性，減少了物料的堆疊和粘連，為后續(xù)圖像處理降低難度，設(shè)計了一種移動裝置（圖4）。將機(jī)收甘蔗放于傳送帶上，采集平臺位于傳送裝置上方，即可采集和處理移動過程的機(jī)收甘蔗圖像。但要獲取移動狀態(tài)下機(jī)收甘蔗清晰無拖影圖像需滿足以下條件：在曝光時間內(nèi)機(jī)收甘蔗移動的距離小于相機(jī)的精度，即曝光時間 收甘蔗移動速度 （ v ） ？ 相機(jī)分辨率 （ p ） 。

采用?？挡噬I(yè)相機(jī)結(jié)合其SDK工具包，自編寫圖像采集程序，設(shè)置相機(jī)參數(shù)，即能獲取清晰圖片，圖像采集過程中始終保持鏡頭與機(jī)收甘蔗成分統(tǒng)一高度，且采取垂直拍攝方式，此舉可減少相機(jī)標(biāo)定操作，還可減少在測量與計算鏡頭焦距時的誤差，更利于后續(xù)的計算機(jī)處理。具體圖像采集流程見圖5。

1.2機(jī)收甘蔗雜質(zhì)分類識別算法設(shè)計

1.2.1分類識別算法流程。采用YOLOv8網(wǎng)絡(luò)訓(xùn)練方法對建立的機(jī)收甘蔗數(shù)據(jù)集進(jìn)行訓(xùn)練。YOLOv8與前幾代YOLO算法相比實現(xiàn)了進(jìn)一步輕量化，而且使用了一種稱為極限檢測網(wǎng)絡(luò)（ExtremeNet）的新結(jié)構(gòu)以及C2f骨干網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用更多的跳層連接和分割操作，以增強(qiáng)梯度流和特征融合[8]，使得YOLOv8算法精度明顯提高，運行速度也大幅加快，因此該算法應(yīng)用于識別區(qū)分實時移動的機(jī)收甘蔗具有明顯優(yōu)勢。首先將建立的數(shù)據(jù)集預(yù)處理，再利用labelme軟件標(biāo)定機(jī)收甘蔗不同成分特征，標(biāo)定完成后的圖像用于YOLOv8模型進(jìn)行訓(xùn)練、驗證數(shù)據(jù)集，最后訓(xùn)練完成的模型用來對機(jī)收甘蔗雜質(zhì)進(jìn)行識別分類，該模型訓(xùn)練具體流程如圖6所示。

1.2.2數(shù)據(jù)預(yù)處理。目前切斷式甘蔗收獲機(jī)除雜系統(tǒng)不夠完善，導(dǎo)致所收獲的甘蔗雜質(zhì)含量較多，通過對收獲現(xiàn)場收集的機(jī)收甘蔗雜質(zhì)進(jìn)行分類，主要包括蔗葉、蔗稍和蔗根等。為控制樣本正平衡，3種雜質(zhì)類型各隨機(jī)選擇600張圖片，每張圖片均進(jìn)行尺寸歸一化處理，尺寸大小為 6 6 5 × 2 0 7 ，同時為提高模型的魯棒性，將樣本按1：9的比例分為測試集和訓(xùn)練集。

圖像采集過程中一般會存在噪聲影響圖像質(zhì)量問題，因此需要利用濾波技術(shù)去除噪聲來改善圖像質(zhì)量和清晰度，使圖像更具可視化效果和可識別性[9]。常見的濾波方法有多種，如均值濾波[10]、中值濾波[1]、雙邊濾波[12]和高斯濾波[13]等。筆者采用高斯濾波方法，利用高斯函數(shù)作為權(quán)重對圖像進(jìn)行卷積操作，其濾波器為1個二維的高斯核，將濾波器與機(jī)收甘蔗不同成分圖像的每個像素進(jìn)行加權(quán)平均，具體見式（2）[13-14]：

式中： G （ x ， y ） 為圖像在 （ x ， y ） 位置處的像素值； σ 為標(biāo)準(zhǔn)差；

x ， y 為坐標(biāo)點。

通過高斯濾波后的圖像變得更平滑，如表1所示。

1.2.3YOLOv8網(wǎng)絡(luò)模型。YOLOv8網(wǎng)絡(luò)模型具有圖像分類、 物體檢測和實例分割等功能，包括Input、Backbone、Neck、

Head、Output 5個部分[15]，可調(diào)整模型尺寸參數(shù)、降低計算量， 構(gòu)建一個模型特征表達(dá)能力夠強(qiáng)的網(wǎng)絡(luò)模塊，如圖7所示。

輸入 骨干網(wǎng)絡(luò) 頸部 檢測頭 輸出（Input） （Backbone） （Neck） （Head） （Output）T 川

Backbone模塊相當(dāng)于模型的骨干網(wǎng)絡(luò)，使用C2f結(jié)構(gòu)提取機(jī)收甘蔗不同成分特征，是后續(xù)進(jìn)行目標(biāo)檢測的關(guān)鍵步驟，能將目標(biāo)與背景、位置和形狀等信息區(qū)分開來；Neck模塊類似模型的頸部，對提取的圖像特征進(jìn)一步處理和加工，增強(qiáng)網(wǎng)絡(luò)對不同縮放尺度對象特征融合的能力，提高檢測的準(zhǔn)確性和精準(zhǔn)度；Head就是模型的檢測頭，將上一步處理后的特征圖像經(jīng)過卷積層、激活函數(shù)和上采樣等操作生成目標(biāo)對象的位置、類別和置信度等核心信息，具備增強(qiáng)模型的泛化能力，該模型結(jié)構(gòu)如圖8所示。

2 結(jié)果與分析

2.1試驗設(shè)置在上述電腦配置環(huán)境下結(jié)合YOLOv8網(wǎng)絡(luò)模型，完全可開發(fā)出高性能圖像識別區(qū)分模型，工作流程方法如圖9所示。

該模型利用預(yù)訓(xùn)練權(quán)重遷移學(xué)習(xí)方法進(jìn)行訓(xùn)練，訓(xùn)練及測試均在同一系統(tǒng)上開展，將YOLOv8所訓(xùn)練的圖像尺寸統(tǒng)一為 6 6 5 × 2 0 7 ，利用3通道訓(xùn)練15批次共300回合，學(xué)習(xí)率和衰減率分別設(shè)為0.001和0.005，濾波器數(shù)值設(shè)為25。

2.2評價指標(biāo)為檢驗機(jī)收甘蔗成分識別的精準(zhǔn)性，采用查全率（Recall）、查準(zhǔn)率（Precision）和平均精度均值（mAP@0.5）對檢測結(jié)果進(jìn)行量化評價[16]

2.2.1查全率。表示召回率，指檢測結(jié)果中正確像素數(shù)量占實際樣本像素的百分比，其計算公式如下：

式中： R 為查全率； 為正確識別的像素數(shù)； 為漏識別的像素數(shù)。其中， 由人工標(biāo)注而得。

2.2.2查準(zhǔn)率。表示準(zhǔn)確率，指所有檢測結(jié)果中正確像素數(shù)量占總檢測結(jié)果的百分比，其計算公式如下：

式中： P 為查準(zhǔn)率； 為正確識別的像素數(shù)； 為誤識別的像素數(shù)。其中， 均由人工標(biāo)注而得。

2.2.3平均精度均值。指的是模型的精確度隨召回率的變化趨勢。該值與召回率成正比，該模型取混淆矩陣的IoU的閾值為0.5時，得出樣本的平均精度。

2.3試驗結(jié)果經(jīng)過300次訓(xùn)練后得到如圖10所示的定位損失變化曲線。由圖10可知，在前期的訓(xùn)練過程中損失值下降迅速，表示模型迅速擬合；通過迭代40次后損失值下降速度降低，直至定位損失收斂至 □

在模型訓(xùn)練結(jié)束后，隨機(jī)選取蔗段、蔗葉、蔗梢和蔗根各60張樣本圖片進(jìn)行測試，并統(tǒng)計識別正確和錯誤數(shù)量，結(jié)果見表2。

根據(jù)訓(xùn)練結(jié)果以召回率（Recall）為橫坐標(biāo)、準(zhǔn)確率（Pre-cision）為縱坐標(biāo)，建立Recall-Precision曲線圖，表示兩者之間的關(guān)系，結(jié)果如圖11所示。由圖11可知，該模型整體預(yù)測準(zhǔn)確率約為 7 7 . 4 % ，能夠有效識別區(qū)分機(jī)收甘蔗不同雜質(zhì)[17-18] 。

3結(jié)論

通過采集機(jī)收甘蔗圖像構(gòu)建數(shù)據(jù)集，再利用高斯濾波器對圖像處理去噪，隨后按照一定比例分成數(shù)據(jù)集和訓(xùn)練集，經(jīng)過迭代訓(xùn)練300次后，各取60張樣本圖像進(jìn)行檢測并統(tǒng)計錯誤和正確識別圖像數(shù)量，建立Recall-Precision之間關(guān)系，最終該模型能夠較好地識別出機(jī)收甘蔗成分，且平均精度為 7 7 . 4 % 。該研究可為后續(xù)機(jī)收甘蔗含雜率的檢測提供一定借鑒。

參考文獻(xiàn)

[1]許世超，姚引倩，莊澤城.廣西甘蔗收獲機(jī)械化發(fā)展現(xiàn)狀與對策[J].安徽農(nóng)業(yè)科學(xué)，2022，50（3）：269-270，279.

[2]陳超平，馬松林，李智軍.甘蔗預(yù)除雜裝備的研究試驗與分析[J].農(nóng)業(yè)機(jī)械，2016（7）：124-126.

[3]覃寧，盧羿安，黃明昌，等.當(dāng)前甘蔗機(jī)械收獲階段人工與AI相結(jié)合扣雜方式的探討[J].甘蔗糖業(yè)，2021，50（1）：17-23.

[4]周思理，鄧干然，何馮光，等.一種分級式機(jī)收蔗含雜率智能檢測裝置以及方法：CN202311311796.8P].2024-01-09

[5]鄭爽，何馮光，鄧干然，等.一種機(jī)收蔗雜質(zhì)智能識別方法：CN202210667390.2[P].2023-03-07.

[6]張智剛，江春雨，黃海翔，等.一種切段式機(jī)收蔗含雜率快速檢測裝置：CN202211298537.1[P].2023-01-20.

[7]陳延祥，周德強(qiáng)，趙文博，等.基于機(jī)器視覺的甘蔗多刀切種裝備設(shè)計與試驗[J].農(nóng)機(jī)化研究，2024，46（2）：84-90

[8]薛霞，劉鵬，周文.基于改進(jìn)YOLOv8算法的實時細(xì)粒度植物病害檢測[J].中國農(nóng)機(jī)化學(xué)報，2024，45（5）：188-194

[9]方斌，周輝奎，陳家益，等.去除脈沖噪聲的快速開關(guān)中值圖像濾波[J].控制工程，2021，28（6）：1243-1249.

[10]田博文，張志禹，楊夢飛.基于多次滑動均值濾波的混合儲能功率分配 與定容研究[J].電工技術(shù)學(xué)報，2024，39（5）：1548-1564.

[11]顧冬娟.去除紅外圖像中脈沖噪聲的雙邊加權(quán)中值濾波[J].傳感技術(shù) 學(xué)報，2024，37（3）：492-498.

[12]劉光宇，劉彪，胡嘉鑫，等.基于中性集合與雙邊濾波的NSCT域聲吶 圖像去噪[J].湖南大學(xué)學(xué)報（自然科學(xué)版），2023，50（12）：19-27.

[13]錢文君，王繼新，杜浩然，等.基于多種改進(jìn)方法的鉆槍X射線圖像高 斯濾波[J].激光雜志，2024，45（9）：32-39.

[14]張麗，郭海濤.基于高斯濾波與均值聚類的異質(zhì)多源傳感器數(shù)據(jù)加權(quán) 融合[J].傳感技術(shù)學(xué)報，2024，37（3）：519-523.

[15]馬超偉，張浩，馬新明，等.基于改進(jìn)YOLOv8的輕量化小麥病害檢測 方法[J].農(nóng)業(yè)工程學(xué)報，2024，40（5）：187-195.

[16]馬志艷，張徐康，楊光友.基于改進(jìn)MaskR-CNN的水稻莖稈雜質(zhì)分割 方法研究[J].中國農(nóng)機(jī)化學(xué)報，2021，42（6）：145-150.

[17]賀壹婷，葡瑤，曾晏林，等.基于YOLOv5改進(jìn)的咖啡葉片病蟲害檢測 研究[J].安徽農(nóng)業(yè)科學(xué)，2023，51（13）：221-226.

[18]唐興萍，王白娟，楊紅欣，等.基于YOLOv8的水果外觀檢測與分類方 法[J].食品與機(jī)械，2024，40（7）：103-110.

[10]田博文，張志禹，楊夢飛.基于多次滑動均值濾波的混合儲能功率分配 與定容研究[J].電工技術(shù)學(xué)報，2024，39（5）：1548-1564.

[11]顧冬娟.去除紅外圖像中脈沖噪聲的雙邊加權(quán)中值濾波[J].傳感技術(shù) 學(xué)報，2024，37（3）：492-498.

[12]劉光宇，劉彪，胡嘉鑫，等.基于中性集合與雙邊濾波的NSCT域聲吶 圖像去噪[J].湖南大學(xué)學(xué)報（自然科學(xué)版），2023，50（12）：19-27.

[13]錢文君，王繼新，杜浩然，等.基于多種改進(jìn)方法的鉆槍X射線圖像高 斯濾波[J].激光雜志，2024，45（9）：32-39.

[14]張麗，郭海濤.基于高斯濾波與均值聚類的異質(zhì)多源傳感器數(shù)據(jù)加權(quán) 融合[J].傳感技術(shù)學(xué)報，2024，37（3）：519-523.

[15]馬超偉，張浩，馬新明，等.基于改進(jìn)YOLOv8的輕量化小麥病害檢測 方法[J].農(nóng)業(yè)工程學(xué)報，2024，40（5）：187-195.

[16]馬志艷，張徐康，楊光友.基于改進(jìn)MaskR-CNN的水稻莖稈雜質(zhì)分割 方法研究[J].中國農(nóng)機(jī)化學(xué)報，2021，42（6）：145-150.

[17]賀壹婷，葡瑤，曾晏林，等.基于YOLOv5改進(jìn)的咖啡葉片病蟲害檢測 研究[J].安徽農(nóng)業(yè)科學(xué)，2023，51（13）：221-226.

[18]唐興萍，王白娟，楊紅欣，等.基于YOLOv8的水果外觀檢測與分類方 法[J].食品與機(jī)械，2024，40（7）：103-110.