本发明涉及图像处理，具体为基于yolov8n改进的西红柿目标检测方法及系统。
背景技术：
1、采用高效且精确的目标检测技术来实现西红柿的自动检测，对产量的精确预测和质量的监测对于农业生产的规划、市场趋势的分析以及整个农业供应链的稳定发展具有至关重要的意义。为西红柿检测设计一种高效的目标检测方法有着重要意义。
2、随着深度学习技术的快速发展，特别是卷积神经网络在目标检测领域的深入应用，检测技术已经实现了显著的性能提升。在众多目标检测算法中，two-stage检测算法，通过引入候选区域生成网络，有效地在图像中生成候选目标区域。随后，结合分类器和回归器，这些算法实现了目标检测任务，并因此取得了较高的准确性。掩膜区域卷积神经网络在目标检测的基础上进一步发展，增加了一个用于生成对象掩码的分支。该分支旨在精确描绘图像中每个对象的轮廓，并为每个对象生成像素级的分割掩码。尽管这种方法提供了比传统边界框更为精细的位置信息，但由于其模型结构较为庞大且检测速度较慢，因此在复杂环境下的西红柿目标检测应用中存在一定的局限性。
3、相较之下，单阶段目标检测算法无需借助区域建议网络生成候选区域，能够在单一检测过程中直接完成目标的分类与边界框定位，从而实现了更快的检测速度。
4、yolov8，作为一种先进的单阶段目标检测算法，采纳了新颖的骨干网络架构以及高效的多尺度检测策略。该算法对网络结构和计算流程进行了优化，并且巧妙地将目标检测任务转换为回归问题。通过一个高度集成的神经网络，yolov8能够直接预测目标的类别和位置信息，显著简化了检测流程，实现了高精度和快速检测。
5、作为单阶段检测算法的典范，yolov8不仅拥有快速的检测速度，还展现出优越的检测性能，在复杂场景中的目标检测亦能表现出良好的适应性。算法在设计上追求轻量化，同时确保了检测效果的优异性，其实用性已在多个领域得到证实，包括精准农业、工业质量监控以及道路目标检测等，yolov8展现了其广泛的应用潜力。
6、yolov8在目标检测领域具有显著的优势，但也存在一些缺点和不足之处。主要有对小目标的检测效果不佳：yolov8在处理小目标时的效果不如其他一些目标检测算法；对遮挡和旋转的鲁棒性有待提高：在处理遮挡和旋转目标时的表现也不如其他一些目标检测算法；需要较高的计算资源：为了达到较高的检测精度和较快的检测速度，yolov8需要较高的计算资源；目标定位精度相对较低：由于采用了较大的感受野和较粗糙的特征图，导致目标定位精度相对较低；难以检测密集目标：在密集目标情境下，yolov8可能难以准确分离和检测多个紧密相邻的目标；模型规模较大：在一些资源受限的环境下，如何进一步压缩模型规模仍是挑战；训练资源需求高：训练yolov8需要大量计算资源，对普通用户而言门槛较高；多目标检测需优化：在密集场景下的多目标检测仍需优化，以提高检测的准确性和鲁棒性。
7、综上所述，yolov8在目标检测方面虽然具有快速高效、高精度等优点，但在小目标检测、遮挡和旋转鲁棒性、计算资源需求等方面仍存在一些不足。这些缺点和不足在一定程度上限制了yolov8在特定应用场景中的使用，尤其是在资源受限或对小目标检测要求较高的场合。尽管如此，yolov8在许多应用中仍然是一种非常有效的目标检测算法，特别是在需要实时性能和高精度的情况下。
技术实现思路
1、针对现有技术的不足，本发明提供了基于yolov8n改进的西红柿目标检测方法及系统，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：基于yolov8n改进的西红柿目标检测方法，包括如下步骤：
3、步骤s1：采集西红柿原始图像；
4、步骤s2：构建改进yolov8n模型；所述改进yolov8n模型由特征提取网络、特征融合网络和目标检测头组成；
5、在特征提取网络中引入幻影卷积；并且在特征提取网络最后一层增加psa模块；将特征提取网络中的sppf模块替换为sppelan模块；所述特征提取网络由依次连接的第一卷积层、第二卷积层、第一c2f模块、第三卷积层、第二c2f模块、第一幻影卷积、第三c2f模块、第二幻影卷积、sppelan模块和psa模块组成；
6、步骤s3：将采集的西红柿原始图像输入改进yolov8n模型进行目标识别，获得融合特征图；
7、步骤s4：对融合特征图进行重建，获得西红柿目标识别图像。
8、进一步，特征融合网络由第一注意力增强模块、第二注意力增强模块、第一上采样模块、第四卷积层、第五卷积层、第一waff模块、第三幻影卷积、第二waff模块、第四c2f模块、第三waff模块、第二上采样模块、第五c2f模块、第六c2f模块、第四幻影卷积、第四waff模块、第七c2f模块、第五幻影卷积、第五waff模块和第八c2f模块组成。
9、进一步，目标检测头由第一自适应权重检测头、第二自适应权重检测头和第三自适应权重检测头组成。
10、进一步，特征提取网络的处理流程为：
11、首先将西红柿原始图像输入特征提取网络中，西红柿原始图像依次经过第一卷积层、第二卷积层、第一c2f模块、第三卷积层、第二c2f模块、第一幻影卷积、第三c2f模块、第二幻影卷积、sppelan模块、psa模块；将第二卷积层、第二c2f模块、第三c2f模块和psa模块作为特征提取网络的输出。
12、进一步，特征融合网络的处理流程为：
13、将第二卷积层的输出输入第三幻影卷积；将第二c2f模块的输出输入第一注意力增强模块；将第三c2f模块的输出输入第二注意力增强模块，将第二注意力增强模块的输出输入第五卷积层；将psa模块的输出输入第四卷积层，将第四卷积层的输出输入第一上采样模块，将第一上采样模块和第五卷积层的输出输入第一waff模块，将第一waff模块的输出输入第五c2f模块，将第五c2f模块的输出输入第二上采样模块；将第二上采样模块和第一注意力增强模块的输出输入第三waff模块，将第三waff模块的输出输入第四c2f模块；将第四c2f模块、第一注意力增强模块和第三幻影卷积的输出输入第二waff模块，将第二waff模块的输出输入第六c2f模块；将第六c2f模块的输出输入第四幻影卷积；将第四幻影卷积、第五卷积层和第五c2f模块的输出输入第四waff模块，将第四waff模块的输出输入第七c2f模块；将第七c2f模块的输出输入第五幻影卷积；将第五幻影卷积和第四卷积层的输出输入第五waff模块，将第五waff模块的输出输入第八c2f模块；
14、将第六c2f模块、第七c2f模块和第八c2f模块的输出作为特征融合网络的输出。
15、进一步，目标检测头的处理流程为：
16、将第六c2f模块的输出输入第一自适应权重检测头，将第七c2f模块的输出输入第二自适应权重检测头，将第八c2f模块的输出输入第三自适应权重检测头；
17、第一自适应权重检测头、第二自适应权重检测头和第三自适应权重检测头的输出即为融合特征图。
18、进一步，基于yolov8n改进的西红柿目标检测系统，应用于所述的基于yolov8n改进的西红柿目标检测方法，包括：
19、采集模块，用于采集西红柿原始图像；
20、构建模块，用于构建改进yolov8n模型；所述改进yolov8n模型由特征提取网络、特征融合网络和目标检测头组成；
21、在特征提取网络中引入幻影卷积；并且在特征提取网络最后一层增加psa模块；将特征提取网络中的sppf模块替换为sppelan模块；所述特征提取网络由依次连接的第一卷积层、第二卷积层、第一c2f模块、第三卷积层、第二c2f模块、第一幻影卷积、第三c2f模块、第二幻影卷积、sppelan模块和psa模块组成；
22、目标识别模块，用于将采集的西红柿原始图像输入改进yolov8n模型进行目标识别，获得融合特征图；
23、重建模块，用于对融合特征图进行重建，获得西红柿目标识别图像。
24、与现有的技术相比，本发明具备以下有益效果：
25、（1）、本发明通过在改进yolov8n模型的特征提取网络和特征融合网络中引入幻影卷积，设计出一种专门用于西红柿原始图像目标检测的模型，提高西红柿原始图像目标检测的精度和速度；引入幻影卷积可以低成本操作增加西红柿原始特征图数量，提升改进yolov8n模型效率和性能，同时实现轻量化。
26、（2）、本发明通过采用sppf模块替换sppelan模块，捕捉更精细的目标特征，减少信息丢失，并通过局部注意力机制提高检测准确性，控制计算量。
27、（3）、本发明通过注意力机制增强psa模块对感兴趣区域的关注，减少计算负担，提升psa模块性能。
28、（4）、本发明通过使用注意力增强模块，优化目标间的先验关系处理，减少重复检测框，提升复杂背景下的特征提取和上下文信息丰富度。
29、（5）、本发明通过waff模块的自适应加权特征融合模块替代传统多尺度融合，优化特征权重分配，增强特征表达力，并确保特征稳定性。
30、（6）、本发明通过asffv5模块自适应特征融合技术，设计自适应权重检测头，有效融合不同尺度融合的西红柿原始特征图，自动调整特征权重，提高检测准确性和适应性。
1.基于yolov8n改进的西红柿目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于yolov8n改进的西红柿目标检测方法，其特征在于：特征融合网络由第一注意力增强模块、第二注意力增强模块、第一上采样模块、第四卷积层、第五卷积层、第一waff模块、第三幻影卷积、第二waff模块、第四c2f模块、第三waff模块、第二上采样模块、第五c2f模块、第六c2f模块、第四幻影卷积、第四waff模块、第七c2f模块、第五幻影卷积、第五waff模块和第八c2f模块组成。
3.根据权利要求2所述的基于yolov8n改进的西红柿目标检测方法，其特征在于：目标检测头由第一自适应权重检测头、第二自适应权重检测头和第三自适应权重检测头组成。
4.根据权利要求3所述的基于yolov8n改进的西红柿目标检测方法，其特征在于：特征提取网络的处理流程为：
5.根据权利要求4所述的基于yolov8n改进的西红柿目标检测方法，其特征在于：特征融合网络的处理流程为：
6.根据权利要求5所述的基于yolov8n改进的西红柿目标检测方法，其特征在于：目标检测头的处理流程为：
7.基于yolov8n改进的西红柿目标检测系统，应用于权利要求1-6任意一项所述的基于yolov8n改进的西红柿目标检测方法，其特征在于，包括：
