郭振華　謝學(xué)浩　王森瓏　徐洋帆

摘要：中國(guó)茶文化歷史悠久。茶帶給我們的不僅有底蘊(yùn)豐厚的茶文化，還有巨大的經(jīng)濟(jì)效益。目前我國(guó)茶葉的種植面積達(dá)257.9萬公頃，茶葉的產(chǎn)量達(dá)189萬噸。這么大種植面積和產(chǎn)量，意味著傳統(tǒng)的采集方式不能滿足需求，效率低下。隨著科技的發(fā)展和國(guó)家政策對(duì)農(nóng)業(yè)的扶持力度加大，我國(guó)現(xiàn)代化農(nóng)業(yè)不斷提升。茶葉的生產(chǎn)也應(yīng)該更加科技化，文章就茶葉嫩芽識(shí)別，提出一種改進(jìn)型YOLOv8，后續(xù)可通過潤(rùn)和AL Camera開發(fā)套件用此模型進(jìn)行茶葉嫩芽的圖像采集識(shí)別。改進(jìn)后的YOLOv8識(shí)別準(zhǔn)確率大有提升和效率都大有提升，為新型茶葉采集技術(shù)中茶葉嫩芽識(shí)別部分提供技術(shù)參考。

關(guān)鍵詞：YOLOv8；茶葉嫩芽識(shí)別；深度學(xué)習(xí)；目標(biāo)檢測(cè)

中圖分類號(hào)：TP312 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）14-0023-03 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

我們國(guó)家是茶葉種植大國(guó)。茶葉種植面積大，茶葉產(chǎn)量也大。目前我國(guó)的茶葉采摘60% 要靠人工完成，效率低下，對(duì)于茶葉產(chǎn)業(yè)這種季節(jié)性密集勞動(dòng)不太友好。而傳統(tǒng)的采茶機(jī)，雖然效率有所提升，但是它是一種無差別的采摘，將老葉和我們需要的嫩芽采摘下來。這樣的采摘方式仍然需要人工分揀出嫩芽，而且容易損傷嫩芽[1]。如果我們想要實(shí)現(xiàn)智能化采摘茶葉，第一步就是要解決茶葉嫩芽的識(shí)別問題。

本文就茶葉嫩芽識(shí)別，提出了一種基于YOLOv8 改進(jìn)的模型用于茶葉嫩芽的識(shí)別方法。通過增加注意力機(jī)制對(duì)YOLOv8進(jìn)行改進(jìn)，使得其對(duì)茶葉嫩芽有更好的識(shí)別效果。通過對(duì)數(shù)據(jù)訓(xùn)練得出的結(jié)果與原模型進(jìn)行效果比對(duì)，從而完善改進(jìn)版YOLOv8模型，使得其準(zhǔn)確率（precision，P） ，召回率（recall，R） ，平均精度值（mean average precision，mAP） 高于原模型。為智能采茶機(jī)中的茶葉嫩芽提供了技術(shù)參考。

1 數(shù)據(jù)集

1.1 圖像采集

茶葉嫩芽數(shù)據(jù)集原始圖像采集地點(diǎn)為江西省景德鎮(zhèn)市浮梁縣莊灣鄉(xiāng)寒溪村寒溪茶山，采集對(duì)象為浮梁茶，茶樹均單攏栽種，長(zhǎng)勢(shì)較好。圖像采集設(shè)備為松下相機(jī)，數(shù)據(jù)圖片的分辨率原本是3 648×2 736像素，以.JPG格式保存。

考慮到采摘茶葉的環(huán)境，在對(duì)茶葉嫩芽進(jìn)行圖像采集時(shí)，校級(jí)與茶樹的距離為 10～50cm，拍攝角度大致在平行視角和俯視視角之間，即與豎直方向呈 0°～90°夾角。原始圖像均是茶園環(huán)境拍攝，以茶葉嫩芽為前景，嫩芽以外的信息為背景。共采集原始圖像1085幅。

1.2 創(chuàng)建數(shù)據(jù)集

利用LabelImg 對(duì)采集到的茶葉原始圖像中的嫩芽部分進(jìn)行人工標(biāo)記，以得圖像中目標(biāo)嫩芽的特征信息，并以.txt文件形式保存。數(shù)據(jù)集按7：2：1分成訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集、測(cè)試數(shù)據(jù)集三部分。

2 算法

2.1 YOLOv8

本次研究使用YOLOv8為基礎(chǔ)模型，將目標(biāo)檢測(cè)問題轉(zhuǎn)化為一個(gè)回歸問題，通過一次前向傳播即可同時(shí)檢測(cè)圖像中的多個(gè)目標(biāo)。相比傳統(tǒng)的目標(biāo)檢測(cè)算法，YOLOv8具有更快的速度和較高的準(zhǔn)確性。

YOLOv8的網(wǎng)絡(luò)結(jié)構(gòu)基于Darknet-53，這是一個(gè)由53層卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的骨干網(wǎng)絡(luò)。在Darknet-53的基礎(chǔ)上，YOLOv8添加了額外的卷積層和上采樣層來構(gòu)建檢測(cè)頭部，以便檢測(cè)不同尺度的目標(biāo)[2]。

Yolov8可擴(kuò)展性強(qiáng)，其采用了模塊化設(shè)計(jì)，便于實(shí)驗(yàn)時(shí)對(duì)其進(jìn)行擴(kuò)展和修改，使其改進(jìn)后，效果更佳。

2.2 改進(jìn)版YOLOv8

YOLOv8的改進(jìn)方法有很多，如增加注意力機(jī)制、更換卷積或者block、head等，本次使用是針對(duì)茶園里茶葉嫩芽的識(shí)別。所以我們選用增加注意力機(jī)制的方式，對(duì)YOLOv8進(jìn)行改進(jìn)，幫助模型更好的關(guān)注有繁雜環(huán)境圖像中的茶葉嫩芽部分，從而提高模型識(shí)別的準(zhǔn)確率。

本次試驗(yàn)是使用CBAM增加注意力機(jī)制，CBAMS 是由通道注意力模塊（CAM） 和空間注意力模塊（SAM） 構(gòu)成的通過結(jié)合CAM和SAM，CBAM模塊可以自適應(yīng)地重新校準(zhǔn)特征圖中的通道和空間信息，使網(wǎng)絡(luò)能夠?qū)Ｗ⒂谙嚓P(guān)茶葉嫩芽的特征并抑制無關(guān)特征[3]。這種注意力機(jī)制有助于提高網(wǎng)絡(luò)對(duì)茶葉嫩芽的判別能力，并增強(qiáng)其捕捉細(xì)節(jié)的能力。

3 訓(xùn)練與測(cè)試

3.1 試驗(yàn)平臺(tái)

本實(shí)驗(yàn)的計(jì)算機(jī)工作站配置為 Intel Core i5-12400h 處理器，主頻2.50GHz，運(yùn)行內(nèi)存為 16GB，并配有RTX 3060顯卡。試驗(yàn)在Windows 11 操作系統(tǒng)上進(jìn)行，采用 PyTorch 深度學(xué)習(xí)框架對(duì)模型進(jìn)行搭建和改進(jìn)。數(shù)據(jù)在Loss 曲線收斂后對(duì)各算法進(jìn)行分析。

3.2 參數(shù)設(shè)置

訓(xùn)練模型時(shí)，將訓(xùn)練集圖像分辨率調(diào)整為 640×640 像素，訓(xùn)練1 000epoch，批次大小設(shè)為16，初始學(xué)習(xí)率為 0.01，動(dòng)量參數(shù)和權(quán)值衰減參數(shù)分別設(shè)置為0.937和0.000 5。驗(yàn)證模型時(shí)，置信度設(shè)置為0.6。

3.3 評(píng)估指標(biāo)

本次試驗(yàn)采用準(zhǔn)確率 P （Precision，%）、召回率 R（Recall，%）、平均精度 XmAP（mean average precision，%）三項(xiàng)指標(biāo)之間的關(guān)系來衡量模型預(yù)測(cè)的準(zhǔn)確度。[4]準(zhǔn)確率P（Precision）=TP/（TP+FP）在預(yù)測(cè)是Positive所有結(jié)果中，預(yù)測(cè)正確的比重召回率recall=TP/（TP+FN），在真實(shí)值為Positive 的所有結(jié)果中，預(yù)測(cè)正確的比重。XmAP是用Precision和Recall作為兩軸作圖后圍成的面積。計(jì)算公式：XmAP=∫P（R）d（R）[5]。

TP：True Positive，即正確預(yù)測(cè)，真實(shí)為0，預(yù)測(cè)也為0。FN：False Negative即錯(cuò)誤預(yù)測(cè)，真實(shí)為0，預(yù)測(cè)為1。FP：False Positive即錯(cuò)誤預(yù)測(cè)，真實(shí)為1，預(yù)測(cè)為0。TN：True Negative即正確預(yù)測(cè)，真實(shí)為1，預(yù)測(cè)也為1。

4 結(jié)果與分析

4.1 YOLOv8原版結(jié)果

圖1（a）為準(zhǔn)確率與召回率的調(diào)和平均數(shù)曲線圖（以下稱F1曲線圖），F(xiàn)1曲線曲線頂部寬度為0.62，頂部高度約為0.7。其中F1=2（precision×recall）/（preci?sion + recall），即F1 =2TP/（2TP + FN + FP）。

圖1（b） 為準(zhǔn)確率與置信度的關(guān)系圖（以下稱P曲線圖），當(dāng)置信度增大時(shí)，類別檢測(cè)得越準(zhǔn)確。

圖1（c） 為準(zhǔn)確率與召回率的關(guān)系圖（以下簡(jiǎn)稱PR 曲線圖），PR曲線與X軸和Y軸圍成的面積稱作均值平均精度（即mAP，Mean A verage Precision的縮寫）。

所以有XmAP=XmAP=∫P（R）d（R）。如圖1（c）所示，XmAP=0.721，說明PR曲線與X軸和Y軸圍成的面積趨近于1。

4.2 Y0LOv8改進(jìn)版結(jié)果

圖2（a） 為改進(jìn)版YOLOv8準(zhǔn)確率與召回率的調(diào)和平均數(shù)曲線圖，F(xiàn)1 曲線頂部寬度為0.68，頂部高度為0.71。

圖2（b） 為改進(jìn)版的置信度閾值 - 準(zhǔn)確率曲線圖（P 曲線圖），準(zhǔn)確率一直都在0.78 以上，也就是說confidence很大，這說明可以容易判斷嫩芽，但是會(huì)漏檢一些置信度低的類別。

圖2（c） 為召回率 - 準(zhǔn)確率曲線圖（PR曲線圖），PR曲線與坐標(biāo)軸圍成的面XmAP=0.760。即面積接近1。

定位損失box loss：預(yù)測(cè)框與標(biāo)定框之間的誤差GloU），越小定位得越準(zhǔn)。置信度損失obi loss：計(jì)算網(wǎng)絡(luò)的置信度，越小判定為目標(biāo)的能力越準(zhǔn)。分類損失cls loss：計(jì)算錨框與對(duì)應(yīng)的標(biāo)定分類是否正確，越小分類得越準(zhǔn)。如圖3所示，訓(xùn)練和驗(yàn)證的loss曲線均趨于擬合，說明改進(jìn)后模型性能較好。

4.3 與原模型結(jié)果對(duì)比

將原版YOLOv8和改進(jìn)版YOLOv8進(jìn)行比較，由上表可知兩個(gè)版本的準(zhǔn)確率與召回率的調(diào)和平均數(shù)，在寬度L 上，原版為0.62，改進(jìn)版為0.68，改進(jìn)版的YOLOv8比原版多0.06，在高度W上，原版為0.7，改進(jìn)版為0.71，改進(jìn)版的YOLOv8比原版多0.01。也就是說改進(jìn)版的YOLOv8有更好的準(zhǔn)確率與召回率的調(diào)和平均數(shù)，相同情況下，改進(jìn)版YOLOv8能取得更好的F1分?jǐn)?shù)。

均值平均精度，原版YOLOv8為XmAP=0.721，改進(jìn)版為XmAP=0.760。改進(jìn)版YOLOv8 比原版高了0.39。且由圖1（c）和圖2（c）可以看出，改進(jìn)版的YO?LOv8波動(dòng)不大，而原版的PR曲線與改進(jìn)版相比，波動(dòng)較大。表示改進(jìn)版的訓(xùn)練效果比原版好。

5 結(jié)論

本研究以YOLOv8為原型，對(duì)其進(jìn)行改進(jìn)，增加注意力機(jī)制。以用于茶園在用智能采茶機(jī)，采取茶葉時(shí)對(duì)茶葉嫩芽的識(shí)別。本研究根據(jù)茶園環(huán)境進(jìn)行試驗(yàn)，在實(shí)際情況下對(duì)茶葉嫩芽的圖片進(jìn)行采集、訓(xùn)練、驗(yàn)證和測(cè)試。兩個(gè)版本得到的F1分?jǐn)?shù)均較好，改進(jìn)版YOLOv8相對(duì)較高。兩個(gè)版本的均值平均精度也都較高，原版和改進(jìn)版的均值平均精度分別為0.721 和0.760。改進(jìn)版本的均值平均精度相較于原版高出了0.39，且PR曲線比原版波動(dòng)較小，也就是說改進(jìn)后的YOLOv8，精度和效果比原版要好。改進(jìn)后的YOVOv8 性能有所提升，在自然茶園環(huán)境下，對(duì)茶葉嫩芽的識(shí)別效果有了一定的提升，可以為智能采茶機(jī)在茶葉嫩芽識(shí)別領(lǐng)域的研發(fā)中提供技術(shù)參考。

參考文獻(xiàn)：

[1] 程永輝，黃彪，周遠(yuǎn)書，等.茶葉識(shí)別技術(shù)研究現(xiàn)狀[J].計(jì)算機(jī)科學(xué)與應(yīng)用，2021（2）：461-466.

[2] 雷幫軍，余翱，余快.基于YOLOv8s改進(jìn)的小目標(biāo)檢測(cè)算法[J].無線電工程，2024，54（4）：857-870.

[3] 涂萬，于紅，張鵬，等.基于通道非降維與空間協(xié)調(diào)注意力的改進(jìn)YOLOv8養(yǎng)殖魚群檢測(cè)[J].大連海洋大學(xué)學(xué)報(bào)，2023，38（4）：717-725.

[4] 胡和平，吳明暉，洪孔林，等.基于改進(jìn)YOLOv5s的茶葉嫩芽分級(jí)識(shí)別方法[J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，45（5）：1261-1272.

[5] 王夢(mèng)妮，顧寄南，王化佳，等.基于改進(jìn)YOLOv5s模型的茶葉嫩芽識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（12）：150-157.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目：采橘說——人工智能加AR 助力研學(xué)旅行（項(xiàng)目編號(hào)：202210408033X）