基于改进YOLOv8s模型的河蟹幼苗雌雄检测方法

GenderDetectionMethodforCrabsSeedlingsBasedonEnhancedYOLOv8sModel

LI Xian，MA Ming，HUZhi-gangetal（ScholofMchanicalEnginering，WuhanLightIndustry University，Wuhan，Hubei0496） AbstractInespsetoteproblmofuceardierentiatiobetwenalesndealesuringthsdingsageofiverabfi cientaccuracyinmanalclasificatioofaleandfemaleinvrabsdling.Tisticleproposametdfordetetigtederf rivercrabsedingasedonanimprovedOLO8odel.eiprovementmetodisasflow：fistlyeplacethfourthlayeCfodule inthebackboneetworkwithCfGAM（globalatentionchanism，GAM）module，djust hewightoffatureiforatioandducete lossoffeaturefoatiodingtassidlyplacealdarysfciiheU（edtef sequentialevideceforintersetooveruiov）boundysfuctiotohaethancroxualityduringtepreditoprosd improvetheodel’sneralzatiobilityfiallearestigoriteplatiousaplingtodineadetwokisplacdih CARAFE（contentawarereassemblyoffeatures）upsaplingmetodichivesteodellargereceptivefeldndimproesitsfo ance.The experimental results sow that the accuracy，recall，and average precision of the improved model are98. 4% ，91. 1% ，and 96. 1% ， respctivelyhcre3..d2.9prenaeoterthaeigialodel.eulsicatethaslityoflnga chine vision to the clasification of male and female crab seedlings and the effectiveness of the improved method.

Key wordsCrab seedlings；YOLOv8s；WIoU；GAM；CRAFF

近年来，随着人工智能技术的不断进步，越来越多的行业为了追求高质量发展，将传统技术与人工智能技术进行结合[1-2]。机器视觉技术作为一种视觉检测方法以其非接触性、精确性、快速性、智能化等多个优点在农业生产领域有了广泛的运用[3-4]。河蟹养殖作为养殖业中重要的组成部分，其养殖技术也随着人工智能技术的发展不断改进[5]。因河蟹本身特殊的身体结构及市场价值，使得河蟹养殖演变出不同的养殖方法。现有的养殖方法有混养法和雌雄分养法[6-7]，混养法即将所有蟹苗置于同一池塘中养殖，而河蟹雌雄分养法的不同之处在于需要在放苗阶段将雌雄河蟹区分开来，置于不同的池塘中养殖。雌雄分养法能在一定程度上降低养殖成本，提高产出量，获得更高经济效益[8-10]。现有的雌雄蟹苗分类工作完全依赖人工，在面对大量需要分类的蟹苗时，使用机器视觉技术对蟹苗进行识别判断并分类可以有效降低人工成本，提高准确率。

机器视觉发展于20世纪50年代对二维图像识别与理解的研究[1]，经过数十年的不断发展，如今的机器视觉已经实现了目标检测、人脸识别、目标跟踪等多种强大的功能[12]。现阶段的目标检测算法主要分为双阶段检测算法和单阶段检测算法。双阶段检测算法包括 、Fast R-CNN[14]、FasterR-CNN[15]等，该类算将检测过程分为2步，有较高的检测精度，但检测速度较慢。单阶段检测算法包括 ，YOLO[7]算法以及其他系列算法，该类算法检测速度较快，相比于双阶段检测算法适合完成实时检测任务[18-20]。

相较以往的YOLOv5模型，YOLOv8在原有基础上进行了部分的改进。 ① 将Backbone和Neck部分原有的C3模块替换为梯度更丰富的C2f模块，同时保证了模型的轻量化；② 对YOLOv5原有Neck部分中的上采样结构进行了修改，删除了其上采样阶段前 1×1 的卷积结构，使得Backbone层的输入在进入Neck层后直接进行上采样操作； ③ 将Head部分中的耦合头结构替换成解耦头结构，同时改进锚框预测设计方式，将原有结构中使用有锚节点Anchor-Based检测方式替换为无锚节点Anchor-Free检测方式。

该研究拟将机器视觉运用于河蟹雌雄分养法中的放苗阶段，使用机器视觉目标检测的方法对蟹苗进行雌雄区分，同时提出一种基于YOLOv8网络模型的改进方法。改进方法如下：首先，在Backbone部分引入GAM注意力机制，将其第四层C2f模块替换为C2f-GAM模块，降低特征信息在传递过程中的损失；其次，将YOLOv8模型的CIoU损失函数替换为WIoU损失函数，增强模型的泛化能力；最后，在将Head部分的最近邻插值上采样方法替换为CARAFE上采样方法，扩大模型的感受域，提高模型的性能。试验结果表明，在河蟹幼苗雌雄区分任务中，改进后的模型比YOLOv8原始模型检测效果更好。

1YOLOv8卷积神经网络

YOLOv8是由Ultralytics在2023年1月发布的一种典型的One stage目标检测算法，是一款基于传统的YOLO（YouOnlyLookOnce）目标检测算法的改进版本。相对以往的YOLO版本，YOLOv8通过一系列改进，目标检测性能有了全面的提升。YOLOv8的主要框架分为Input、Backbone、Neck、Head4个部分[21] 。

针对不同的目标检测场景，YOLOv8提供了 这5个不同版本的的模型，这些模型在网络深度和检测精度上依次增加[22]。根据该研究所述的目标检测场景，所选模型需要在保证检测精度的同时，仍需要较好的检测速度，因此选择YOLOv8s版本进行试验。其模型结构见图1。

2改进方法

2.1引入GAM注意力机制机器视觉模型中的注意力机制使得模型可以调节来自不同通道的权重，让模型可以将更多的注意力聚焦在一些重要的通道，从而提高模型的检测效率和准确性[23-24]。合适的注意力机制有助于模型更好地完成目标检测任务。因此，为了提高模型的性能，人们不断地对注意力机制进行改进，Liu等[25]在2021年提出了一种提高深度神经网络性能的全局注意力机制（globalattentionmech-anism，GAM）。

GAM注意力机制由通道注意力模块和空间注意力模块组成，原理如图2＼～4所示

通道注意力模块通过3D排列来保持检测目标的三维信息，并通过多层感知机制（multi layerperception，MLP）来放大通道间的交互，其侧重点在于检测自标的内容信息。空间注意力模块使用卷积操作来融合空间信息，并采用通道随机分组来减少参数，其侧重点在于检测目标的位置信息[26]。其计算方法如下：

通道注意力模块和空间注意力模块组合使用，加强了模型在通道维度和空间维度的交互，使检测输出能更加聚焦于重点信息，提升模型的检测精度。该机制主要作用于从复杂背景中放大局部特征，提取关键信息，对于完成识别细小特征的任务有较好的帮助。在该研究的河蟹幼苗雌雄区分任务中，河蟹性别区分的关键点在于其腹部纹路的细小区别，该部分的特征识别完全决定了识别的结果。在YOLOv8的Backbone部分中，负责特征融合、提取特征信息的C2f模块在向下输出特征信息的过程中会丢失部分特征信息。为了降低这一部分特征信息的损失，调整特征提取过程中的权重，将GAM注意力机制引人YOLOv8模型的Backbone部分，将Backbone部分的第四层C2f模块替换成C2f-GAM模块。其具体结构改进见图5。

2.2WIoU损失函数IoU（Intersectionoverunion）损失函数即交并比损失函数，其反映预测框与真实框之间重叠度。IoU的计算方法如式（3）所示，即预测框和真实框的交集面积除以它们的并集面积，交并比原理见图6。

式中：A为预测框面积； B 为真实框面积