基于改进YOLOv8n的三角帆蚌表型性状参数测量方法OA

三角帆蚌表型性状参数是其生长性能评价、种质资源鉴定和遗传育种研究的重要依据。为实现三角帆蚌表型性状参数的无损、快速和准确获取,该研究提出了一种改进YOLOv8n的三角帆蚌表型性状参数测量模型YOLOv8n-CBM。首先,集成动态传输、机器视觉及图像处理技术,构建三角帆蚌表型参数的自动测量系统;然后,在YOLOv8n骨干网络中,添加4个卷积注意力模块(convolutional block attention module,CBAM),以提高对三角帆蚌轮廓边缘及局部细节特征的提取效果;其次,在颈部网络中引入双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)以加强不同尺度特征之间的双向融合,提高模型对多尺度目标的表征能力;同时,将原有C2f模块替换为多尺度空洞卷积模块(multi-scale dilated attention,MSDA),以扩大特征感受野,增强局部细节与全局上下文信息的联合建模能力;最后,结合旋转边界框与关键点的几何关系,提取壳长、全高、壳高与臀角放射肋长等数据。结果表明,YOLOv8n-CBM模型的平均精度均值(mAP50-95)达到98.2%,壳长、全高、壳高和臀角放射肋长的平均绝对误差分别为1.512、1.083、1.019与1.998 mm;在不同壳长与全高分组下,YOLO-CBM模型的测量误差均小于原始YOLOv8n模型,最大绝对误差不超过2.879 mm,提升了对多姿态下三角帆蚌表型数据的测量精度和鲁棒性。研究结果可为贝类生长性能评价和遗传育种等提供测量方法,对于推动珍珠产业从经验化养殖向科学化、自动化发展具有重要意义。