技术领域
[0001] 本发明涉及对虾新鲜度检测和计算机视觉技术领域，更具体地，涉及一种基于改进YOLOv8模型的水产品新鲜度智能识别方法。
相关背景技术
[0002] 虾类作为全球海鲜消费的重要组成部分，其中凡纳滨对虾占虾总产类的80％，年产量达580万吨，因其丰富的营养价值和独特的风味深受世界各地消费者的喜爱。虾在贮藏过程中保鲜一直面临巨大挑战，在储存和运输过程中因蛋白含量高、水分含量高且虾体内含有多种活性酶，因此易发生腐败变质及黑变，导致营养及感官品质下降。虾新鲜度的评估对虾品质的鉴定及对虾分级至关重要，这也为虾的后续加工提供参照依据。传统方法通常以生化指标为虾新鲜度的判断依据，如挥发性盐基氮(TVB‑N)、总菌落数(TVC)等。其中TVB‑N常被作为评判虾新鲜度的最主要指标，如GB 2733‑2015规定虾的挥发性盐基氮含量超过30mg/100g被视为不可食用。但传统生化方法测试中需要破环虾体，同时需要大型仪器，耗时费力，其灵活性和实时性有限。
[0003] 机器学习模拟了人类的学习过程，赋予计算机系统自主学习的能力，使其能够从数据中提取信息，并在无需特定编程的情况下做出决策和预测。深度学习作为机器学习的一个强大分支，在近年来快速发展，尤其是卷积神经网络(CNN)在图像识别领域的突破，为食品质量检测提供了新的可能性。其中YOLO(You Only Look Once)算法作为一种高效的目标检测框架，通过识别图片中的纹理、颜色、形状等特征，以达到快速准确评估食品质量的目的，已被成功应用于各种场景，包括食品质量评估，如大豆害虫检测、鱼类残次品检测、核桃仁分级、食品表面霉菌检测等。
[0004] 现有的专利文件中公开了一种基于YOLOv5s网络的白对虾加工前质量检测方法，尽管该方案将深度学习和目标检测技术应用到实体加工中，用于筛选不可加工食用的缺损虾和失活虾，但对于可食用的虾类，在贮藏过程中其新鲜度也会逐渐降低，该现有技术并不能对可食用的虾类进行更进一步的新鲜度分级。不同新鲜度的虾类对应的价格和营养价值也不同，因此有必要研究一种非破坏性、快速检测的对虾新鲜度和品质检测方法。
具体实施方式
[0053] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0054] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0055] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0056] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0057] 实施例1
[0058] 如图1所示，本实施例提供一种基于改进YOLOv8模型的水产品新鲜度智能识别方法，用于对虾的新鲜度检测，包括以下步骤：
[0059] S1：获取不同贮藏天数的对虾样本及其图像，测定每个对虾样本的TVB‑N、TVC含量和对虾样本图像的灰度值，并建立对虾新鲜度的分级标准以及对虾不同新鲜度的灰度值变化关系；
[0060] S2：采集若干张对虾图像，获取对虾数据集，并将所述对虾数据集划分为训练集和测试集；根据所述对虾新鲜度的分级标准对训练集中的每张对虾图像进行真实标签标注，获取标注后的训练集；
[0061] S3：基于对虾不同新鲜度的灰度值变化关系，选用YOLOv8模型作为基础模型，并对YOLOv8模型进行改进，将所述YOLOv8模型中的每个C2f模块替换为基于非对称卷积的C3X模块，并引入Focal EIOU损失函数，构建对虾新鲜度检测模型YOLO‑Shrimp；
[0062] S4：将所述标注后的训练集输入对虾新鲜度检测模型YOLO‑Shrimp中进行优化训练，直至Focal EIOU损失函数的值低于预设阈值时完成训练，获取训练好的对虾新鲜度检测模型YOLO‑Shrimp；
[0063] S5：将测试集输入训练好的对虾新鲜度检测模型YOLO‑Shrimp中进行对虾新鲜度检测，获取测试集中每张对虾图像的新鲜度检测结果。
[0064] 在具体实施过程中，获取不同贮藏天数的对虾样本及其图像，测定每个对虾样本的TVB‑N、TVC含量和对虾样本图像的灰度值，并建立对虾新鲜度的分级标准以及对虾不同新鲜度的灰度值变化关系；
[0065] 采集若干张对虾图像，获取对虾数据集，并将所述对虾数据集划分为训练集和测试集；根据所述对虾新鲜度的分级标准对训练集中的每张对虾图像进行真实标签标注，获取标注后的训练集；
[0066] 基于对虾不同新鲜度的灰度值变化关系，选用YOLOv8模型作为基础模型，并对YOLOv8模型进行改进，将所述YOLOv8模型中的每个C2f模块替换为基于非对称卷积的C3X模块，并引入Focal EIOU损失函数，构建对虾新鲜度检测模型YOLO‑Shrimp；
[0067] 将标注后的训练集输入对虾新鲜度检测模型YOLO‑Shrimp中进行优化训练，直至Focal EIOU损失函数的值低于预设阈值时完成训练，获取训练好的对虾新鲜度检测模型YOLO‑Shrimp；
[0068] 最后将测试集输入训练好的对虾新鲜度检测模型YOLO‑Shrimp中进行对虾新鲜度检测，获取测试集中每张对虾图像的新鲜度检测结果；
[0069] 本实施例中建立了对虾新鲜度的分级标准，YOLO‑Shrimp模型通过识别对虾图像的灰度值从而进行新鲜度识别，而且该模型能够通过大量的图像训练，学习对虾新鲜度的相关特征，最终实现对虾快速、精确的新鲜度分级。
[0070] 实施例2
[0071] 本实施例提供一种基于改进YOLOv8模型的水产品新鲜度智能识别方法，用于对虾的新鲜度检测，包括以下步骤：
[0072] S1：获取不同贮藏天数的对虾样本及其图像，测定每个对虾样本的TVB‑N、TVC含量和对虾样本图像的灰度值，并建立对虾新鲜度的分级标准以及对虾不同新鲜度的灰度值变化关系；
[0073] 所述对虾的新鲜度包括：极新鲜、新鲜、可食用和不可食用；
[0074] 根据每个对虾样本的TVB‑N进行新鲜度分级：
[0075] 0≤TVB‑N≤10mg/100g为极新鲜；10mg/100g30mg/100g为不可食用；
[0076] S2：采集若干张对虾图像，获取对虾数据集，并将所述对虾数据集划分为训练集和测试集；根据所述对虾新鲜度的分级标准对训练集中的每张对虾图像进行真实标签标注，获取标注后的训练集；
[0077] S3：基于对虾不同新鲜度的灰度值变化关系，选用YOLOv8模型作为基础模型，并对YOLOv8模型进行改进，将所述YOLOv8模型中的每个C2f模块替换为基于非对称卷积的C3X模块，并引入Focal EIOU损失函数，构建对虾新鲜度检测模型YOLO‑Shrimp；
[0078] S4：将所述标注后的训练集输入对虾新鲜度检测模型YOLO‑Shrimp中进行优化训练，直至Focal EIOU损失函数的值低于预设阈值时完成训练，获取训练好的对虾新鲜度检测模型YOLO‑Shrimp；
[0079] S5：将测试集输入训练好的对虾新鲜度检测模型YOLO‑Shrimp中进行对虾新鲜度检测，获取测试集中每张对虾图像的新鲜度检测结果；
[0080] 所述步骤S3中，基于非对称卷积的C3X模块包括2条输入分支，一条输入分支包括依次连接的：卷积层1和非对称卷积层，另一条输入分支包括卷积层2；所述C3X模块还包括依次连接的特征融合层1和卷积层3；
[0081] 所述C3X模块的输入数据分别经过2条输入分支后依次经过特征融合层1和卷积层3，卷积层3的输出作为所述C3X模块的输出；
[0082] 所述非对称卷积层中包括并列设置的1×3卷积层和3×1卷积层；
[0083] 所述步骤S3中，对虾新鲜度检测模型YOLO‑Shrimp包括依次连接的主干网络、中间网络和分类网络；
[0084] 所述主干网络包括依次连接的：卷积层4、卷积层5、C3X模块1、卷积层6、C3X模块2、卷积层7、C3X模块3、卷积层8、C3X模块4和SPPF模块；
[0085] 所述中间网络包括：依次连接的上采样层1、特征融合层2、C3X模块5、上采样层2、特征融合层3、C3X模块6、卷积层9、特征融合层4、C3X模块7、卷积层10、特征融合层5和C3X模块8；所述C3X模块5的输出还与特征融合层4的输入连接；
[0086] 所述分类网络包括：检测模块1、检测模块2和检测模块3；
[0087] 所述SPPF模块的输出分别与上采样层1的输入和特征融合层5的输入连接；所述C3X模块3的输出还与特征融合层2的输入连接；所述C3X模块2的输出还与特征融合层3的输入连接；
[0088] 所述C3X模块6的输出与检测模块1的输入连接，C3X模块7的输出与检测模块2的输入连接，C3X模块8的输出与检测模块3的输入连接；
[0089] 所述检测模块1、检测模块2和检测模块3的输出共同作为所述对虾新鲜度检测模型YOLO‑Shrimp的输出；
[0090] 所述SPPF模块包括依次连接的：卷积层11、最大池化层1、最大池化层2、最大池化层3、特征融合层6和卷积层12；
[0091] 所述卷积层11、最大池化层1和最大池化层2的输出还分别与特征融合层6的输入连接；
[0092] 每个所述检测模块的结构均相同，均包括2条检测支路，一条检测支路包括依次连接的：卷积层13和卷积层14，卷积层14的输出经过二维卷积后输出对虾的目标框检测结果；
[0093] 另一条检测支路包括依次连接的：卷积层15和卷积层16，卷积层16的输出经过二维卷积后输出对虾新鲜度的分类结果；
[0094] 每个所述卷积层中，数据依次经过二维卷积、二维批归一化和SiLU激活函数后输出；
[0095] 所述步骤S3中，Focal EIOU损失函数具体为：
[0096] LFocal‑EIOU＝IOUγLEIOU
[0097] 其中，LFocal‑EIOU为Focal EIOU损失函数值，IOU为对虾目标框的检测结果与真实目标框的交并比；LEIOU为EIOU损失函数；γ为超参数。
[0098] 在具体实施过程中，对虾在贮藏过程中，身体颜色会随着贮藏时间的延长发生显著变化，这也是指示对虾新鲜度的重要感官指标，如图2A，图2A表示了7天储存期间凡纳滨对虾的色泽变化过程；这为YOLO模型的快速识别提供了可能性；因此，本实施例以TVB‑N，TVC等理化指标对4℃贮藏的凡纳滨对虾进行鲜度分级，结合贮藏期对虾的视觉图像为数据库，建立YOLO‑Shrimp模型，基于YOLO的深度学习，从而实现对虾新鲜度和品质的非破坏性、快速检测；为凡纳滨对虾鲜度在线快速识别提供便捷方法；
[0099] 首先获取不同贮藏天数的对虾样本及其图像，本实施例的所用对虾为凡纳滨对虾，大小均匀，体色相近，约45只/kg，购自某水产品批发市场，鲜活虾充气保活运输；按照动物伦理要求，对虾经过冰猝死，随机选取100只，用于测定灰度值及采集图片；此外，选取35只对虾随机分成7组，用于挥发性盐基氮(TVB‑N)、菌落总数(TVC)指标的测定；本实施例所有操作均在4℃的环境中进行，测试连续7天；所使用化学试剂均达到分析纯级别，以确保结果的准确性和可靠性；
[0100] 测定每个对虾样本的TVB‑N、TVC和对虾样本图像的灰度值；
[0101] 灰度值的测定：
[0102] 对分组的对虾样本使用配备LED照明的最先进的Light Tent，在相同光照和背景的无菌环境中，使用佳能EOS200D II相机在相同参数下进行图像采集，参数为ISO400、S＝4000，正面拍摄每只虾的清晰图像；将图像导入Image J(1.52aversion,National Institutes of Health)进行反色处理，测定对虾黑变程度；转换为8‑bit黑白图像并进行反色处理后，利用魔棒工具分别选定每一只对虾的所在区域，并测量其灰度值以作为对虾黑变病程度的定量指标；
[0103] TVB‑N值的测定：
[0104] 使用全自动凯氏定氮仪(德国格哈特全自动凯氏定氮仪Vapodest 450)，按照GB 5009.228‑2016测定虾样的总挥发性盐基氮；虾样品使用料理机(Joyoung JYL‑C230)粉碎，取虾肉泥5g置于蒸馏管内，加入37.5ml水，振摇，使试验样品在样液中分散均匀，置于冰水混合物中浸渍30min，加入0.5g氧化镁，连接到蒸馏器进行测定；结果以每100g样品含氮mg数表示；
[0105] 菌落总数的测定：
[0106] 参照GB 4799.2‑2022方法进行微生物菌落总数测定；对虾在无菌环境中去头去胸腺体，取5g虾肉置于无菌均值袋中加入45ml无菌生理盐水的，均质1min，1/10梯度稀释，直至合适梯度为止；取0.1ml加入营养琼脂平板，采用涂布法涂布均匀置于36℃±1℃培养48h；
[0107] 对虾的新鲜度可分为：极新鲜、新鲜、可食用和不可食用四个等级，如图2B，图2B表示了凡纳滨对虾标本的四个色泽转变阶段，分别代表4个不同的新鲜度类别；
[0108] 根据每个对虾样本的TVB‑N进行新鲜度分级：
[0109] 挥发性盐基氮随着贮藏时间的延长逐渐积累，在0‑4天内增长缓慢，4天以后TVB‑N快速增长，如图3C2；在对虾贮藏过程中，随着TVB‑N含量的增长，对虾鲜度逐步下降，在0‑4天鲜度保持较好，在4天以后虾的品质快速降低；在本实施例中，凡纳滨对虾贮藏时间为第0天的TVB‑N的值为7.50±0.7622；贮藏时间为第1、2、3、4天的TVB‑N值分别为13.73±0.24249、15.85±0.38015、16.73±0.40382、19.03±0.68833；贮藏时间为第5天的TVB‑N值分别为25.96±1.036；贮藏时间为6、7的TVB‑N值分别为32.31±0.75288、44.38±0.13232；
根据SC‑T3113‑2002《冻虾》和GB2733‑2015《鲜、冻动物性水产品》，TVB‑N(mg/100g)≤20为一级鲜度，2030为腐败级，不可食用，结合本实验结果分析对虾进行分级，TVB‑N(mg/100g)≤10为极新鲜；10<挥发性盐基氮TVB‑N(mg/100g)≤20为新鲜；20<挥发性盐基氮TVB‑N(mg/
100g)≤30可食用；30mg/100ml以上为变质，不可食用；在本实验中，凡纳滨对虾贮藏时间为第6天时，即为不可食用；
[0110] 菌落总数的变化：
[0111] 凡纳滨对虾在贮藏过程中的TVC变化如图3C3所示，随着贮藏时间的延长，对虾的TVC值逐渐增加；菌落总数在0‑5天内缓慢增长，然后在贮藏时间达到5天后开始快速增长，增长趋势与TVB‑N基本一致；在贮藏第0天时，TVC最小，此时虾最新鲜，随后在1‑3天内微生物逐步增长，在4‑5天增长逐渐明显，五天后TVC如图3C3所示快速增长，第六天对虾TVC值达到4.88367±0.03512，根据国标GB 10136‑2015规定，对虾允许的最大微生物含量为4.69log CFU/g，结果显示凡纳滨对虾在贮藏的第6天开始则超过鲜虾标准，不可食用；
[0112] 灰度值的变化：
[0113] 在虾的贮藏过程中，虾灰度值的变化反映了虾肉颜色的明暗程度，从而间接指示了虾肉的新鲜度，因此灰度值的变化可以作为评估虾肉新鲜度的一个指标；灰度值的范围通常是0到255，其中0代表纯黑色，255代表纯白色，而介于两者之间的值代表不同程度的灰色；本实施例利用Image J中的反色法对图像进行处理，这意味着虾的黑变程度越高，灰度值越高；凡纳滨对虾在4±1℃贮藏条件下，灰度值随着贮藏时间的延长而变化，在0～4天呈现出明显的上升趋势，这表明虾肉的颜色逐渐变深，新鲜度开始下降，如图2A、B；在贮藏时间达到第4天后，灰度值的增长速度有所减缓，但仍然再增加，在第6天后，灰度值可能已经达到了一个较高的水平，这表明虾肉的颜色变得更深，新鲜度显著下降；
[0114] 如图3C1所示，灰度值在贮藏时间的第0天为134.18325±1.13292，随着贮藏时间的增加，第1、2、3天的灰度值分别上升至136.9189±1.59195、141.8112±1.54741、149.95825±1.43053，显示出虾肉颜色逐渐变深的趋势，到了第4、5天分别上升为
155.61885±1.16067、157.4462±1.33298，而到了第6天，灰度值已经超过了160，此时虾肉可能已经不适合食用；
[0115] 根据测定结果，将对虾的贮藏过程分为以下几个阶段：极新鲜：灰度值≤135，通常在贮藏时间的第0天，虾肉颜色较浅，新鲜度最高；新鲜：135＜灰度值≤150，贮藏时间为第1、2、3天，虾肉颜色略有变化，但仍保持较好的新鲜度；可食用：150＜灰度值≤160，贮藏时间达到第4、5天，虾肉颜色进一步加深，新鲜度有所下降，但仍在可食用范围内；变质，不可食用：灰度值>160，从第6天开始，虾肉颜色显著变深，新鲜度大幅降低，不再适合食用；
[0116] 相关性分析：
[0117] 为进一步了解各项指标在评价虾新鲜度方面的相关性，根据以上检测结果进一步做关于TVB‑N、TVC、灰度值之间的相关性分析；如图4所示，TVB‑N与TVC具有高度的正相关性，这是因为在虾的贮藏过程中，TVB‑N的产生主要是由于虾肉中蛋白质在微生物活动和酶作用下分解形成的氨和其他挥发性氮化合物；随着贮藏时间的延长，微生物的生长和酶的活性增强，导致蛋白质分解加速，从而增加了TVB‑N的含量；灰度值与TVB‑N、TVC均有较强的正相关关系；这表明随着虾肉的新鲜度下降，即随着TVB‑N、TVC的增长，虾体颜色也会发生变化；在这种情况下，YOLO‑Shrimp模型的应用就显得尤为重要；YOLO‑Shrimp能够通过大量的图像训练，学习虾新鲜度的相关特征，从而对虾实现快速、精确的新鲜度分析分级；
[0118] 综上所述，在凡纳滨对虾贮藏过程中灰度值的变化，为YOLO‑Shrimp模型的训练提供可能性；通过分析灰度值的变化，YOLO‑Shrimp模型能够学习识别虾肉颜色的变化特征，从而对虾肉的新鲜度进行有效分级；
[0119] 随后采集若干张对虾图像，获取对虾数据集，本实施例所用对虾为凡纳滨对虾；
[0120] 本实施例中的对虾数据集包含了12300张对虾图像，被细分为四个新鲜度类别：极新鲜、新鲜、可食用和不可食用；
[0121] 在采集对虾图像时，使用配备有LED照明的最先进的光帐篷，通过佳能EOS 200D II相机完成图像采集，相机设置经过校准后，具有极快的曝光时间(1/4000秒)、自动对焦模式、光圈设置在f/29，以及ISO速度设置为25600，以确保图像具有最佳清晰度；此外，白平衡通过相机的高级自动模式调整；需要注意的是整个数据集的采集都没有使用闪光灯，完全依靠摄影帐篷内的LED灯光与室内环境光相结合的效果，数据集里的每张图像都具有2400×1600像素的高分辨率；
[0122] 将对虾数据集划分为训练集和测试集；
[0123] 根据对虾新鲜度的分级标准对训练集中的每张对虾图像进行真实标签标注，标注工作采用LabelImg注释软件进行标注，获取标注后的训练集；将0≤灰度值≤135的对虾图像标注为极新鲜，将135＜灰度值≤150的对虾图像标注为新鲜，将150＜灰度值≤160的对虾图像标注为可食用，将160＜灰度值≤255的对虾图像标注为不可食用；
[0124] 之后对YOLOv8模型进行改进，将YOLOv8模型中的每个C2f模块替换为基于非对称卷积的C3X模块，并引入Focal EIOU损失函数，构建对虾新鲜度检测模型YOLO‑Shrimp；
[0125] 如图5的A和B所示，分别为C2f模块和C3X模块的结构图，YOLOv8模型采用了修改版的CSPDarknet53主干架构，在该架构中，以往YOLO版本中使用的传统的CSP模块已被C2f模块取代，以增强特征提取能力，C2f模块包含了一个三重卷积过程，最终通过一个拼接操作完成；如图5A所示，跳跃连接和分裂操作的数量有显著增加，此外，Neck模块中省略了两个卷积连接层，值得注意的是，主干网络中C2f模块的数量已经从3‑6‑9‑3调整为3‑6‑6‑3，取代之前的物体性分支，现在采用了解耦的分类和回归分支，在这些分支中，回归分支采用了分布焦点损失(Distribution Focal Loss，DFL)框架中引入的积分形式表示法；
[0126] C3X模块的增强结构如图5B所示，通过增强交叉卷积区域的细节属性，1×3卷积和3×1卷积的整合将提高YOLO‑Shrimp检测的精确度；C3X模块包括了三个交叉卷积，也称为非对称卷积或空间洗牌卷积；与传统的卷积相比，非对称卷积是更优秀的特征提取器，特别是在处理不同方向上的感兴趣对象时，如船只检测等情况；因此，本实施例仍遵循YOLOv8的框架设计，将其中的所有C2f模块替换为新的C3X模块，继续使用SPPF模块和其他架构组件，能够有效提高检测精度；YOLO‑Shrimp模型完美地融合了PAN概念，保留了其基本原理的同时，通过将C2f模块替换为C3X模块来彰显其特色；
[0127] 本实施例所构建的YOLO‑Shrimp模型结构如图6所示；
[0128] 另外，在YOLOv8对象检测任务中，使用了完整的IOU(CIoU)损失，CIoU损失融入了一种创新的几何框架，不仅考虑了预测边界框和真实边界框之间的空间重叠，还考虑了它们各自的宽高比和中心点距离，从而超越了传统的IoU测量方法；CIoU损失在缓解训练过程中边界框不稳定性问题方面展现了优越的鲁棒性；
[0129] 在本方法中，通过无缝集成先锋性的焦点和高效IOU(Focal EIoU)损失范式，提出了对YOLO框架的一项创新扩展，其目的在于改善目标检测工作中固有的复杂性，特别是解决类别不平衡问题和提高边界框定位精度；通过用Focal EIoU损失替换传统的以IOU为中心的损失函数，能够解决现有损失函数的不足，同时协调来自不同质量水平实例的梯度，以实现更加均衡和有效的学习过程；
[0130] Focal‑EIOU损失函数如下：
[0131] LFocal‑EIOU＝IOUγLEIOU
[0132] 其中，LFocal‑EIOU为Focal EIOU损失函数值，IOU为对虾目标框的检测结果与真实目标框的交并比；LEIOU为EIOU损失函数；γ为超参数，用来控制离群值抑制程度；
[0133] EIOU损失函数LEIOU的示意图如图7所示，基于先验框和目标框之间的交并比进行计算；
[0134] YOLO‑Shrimp模型结合了Focal EIOU与分布焦点损失，能够提升回归损失的精确度，进而增强模型整体的鲁棒性和性能；
[0135] 将标注后的训练集输入对虾新鲜度检测模型YOLO‑Shrimp中进行优化训练，直至Focal EIOU损失函数的值低于预设阈值时完成训练，获取训练好的对虾新鲜度检测模型YOLO‑Shrimp；
[0136] 最后将测试集输入训练好的对虾新鲜度检测模型YOLO‑Shrimp中进行对虾新鲜度检测，获取测试集中每张对虾图像的新鲜度检测结果；
[0137] 本方法基于对YOLOv8模型的改进从而构建YOLO‑Shrimp，一方面，将原有的C2f模块替换为新的C3X模块，通过增强交叉卷积区域的细节属性来提高检测的精确度；另一方面，引入Focal EIOU损失函数，能够提升回归损失的精确度，进而增强模型整体的鲁棒性和性能；其次，本方法所提供的YOLO‑Shrimp在其头部模块中采用了现代的解耦结构设计，有效地将分类和检测组件分离，并从基于锚点的方法转向无锚点检测；
[0138] 本方法中的YOLO‑Shrimp模型能够通过大量的图像训练，学习对虾新鲜度的相关特征，能够实现对虾快速、精确的新鲜度分析分级。
[0139] 实施例3
[0140] 本实施例提供验证实验，用于验证实施例1和2中基于改进YOLOv8模型的水产品新鲜度智能识别方法的有效性。
[0141] 在具体实施过程中，本实施例中YOLO‑Shrimp模型的训练环境如表1所示：
[0142] 表1YOLO‑Shrimp模型的训练环境
[0143]
[0144] YOLO‑Shrimp模型训练使用的超参数配置如表2所示，这些配置能够协调模型训练的速度与收敛的稳定性；
[0145] 表2YOLO‑Shrimp模型训练使用的超参数配置
[0146]
[0147] 初始学习率(lr0)被设定为0.001，而学习率因子(lrf)设定为0.01，这有助于在训练过程中实现对学习率的控制且渐进的调整；批量大小，作为一个影响梯度估计和内存消耗的关键参数被设置为16；
[0148] 迭代次数为2500，确保模型对训练数据有充分的接触，从而实现稳健的学习；选择的优化器是随机梯度下降(SGD)，输入图像大小统一为640像素，能够优化模型处理和学习视觉数据的能力；模型检测的置信度阈值为0.8，这个高阈值确保了只有那些具有高度确定性的检测结果才会被采纳，从而提高了模型的精确度；
[0149] 将工作线程数设定为8，优化了数据加载过程，从而提高了整个训练程序的效率；最后，采用的损失函数是Focal EIOU，它能够解决类不平衡问题，并将训练焦点放在难以检测的实例上，能够提升边界框分割的准确性；
[0150] 本实施例通过消融实验，对原始的YOLOv8x模型及其增强型变体，即YOLOv8x_C3X、YOLOv8x_Focal_EIOU和YOLOv8x_C3X_Focal_EIOU(YOLO‑Shrimp)之间的性能指标进行了比较分析；评估是基于一系列曲线进行的，包括精度曲线、召回率曲线、mAP50曲线和dlf_loss曲线；如图8所示为消融实验结果，与基线YOLOv8x模型相比，YOLOv8x_C3X和YOLOv8x_Focal_EIOU两种模型在性能指标上都有显著的提升，在这些增强模型中，混合模型YOLOv8x_C3X_Focal_EIOU(称为YOLO‑Shrimp)展现了最为显著的进步，经过超过2500个周期的严格训练后，与原始YOLOv8x模型的比较分析显示了显著的性能提升：精度指标从83.39％提升到93.93％，增加了10.54％；召回指标从82.55％改进到88.17％，反映了
5.62％的增益；mAP50指标从84.21％上升到91.67％，转化为7.46％的增长；而dlf_loss指标从82.78％降低到74.64％，表明性能提升了8.14％；
[0151] 图9展示了实施例1和2提出的YOLO‑Shrimp模型的混淆矩阵。矩阵的对角线表示检测结果的准确率，而水平和垂直轴则详细说明了误识别率，值得注意的是，该模型对于确定“变质”和“可食用”虾的新鲜度水平，实现了100％的完美识别准确率；对于“极新鲜”和“新鲜”这两个类别，模型的精度率分别达到了99％和98％；可以看出，YOLO‑Shrimp模型在被归类为“变质”的虾中，没有出现任何误分类的情况；
[0152] 热图是一种精确的目标检测可视化技术，它能够在输入图像中显示模型检测到的目标的强度分布；这些热图作为目标位置和置信度水平的指示器，亮红色的区域表示模型最感兴趣的区域，随着关注程度的降低，颜色逐渐过渡到绿色；通过应用热图这种可视化技术，能够更好地理解和解释深度学习模型的内部工作机制和决策过程；本实施例还将YOLO‑Shrimp模型与已建立的模型如YOLOv8x、YOLOv7x、YOLOv6l和YOLOv5x在经过5000个训练周期后生成的结果进行对比，使用GradCAM热图输出来进行可视化展示，对不同新鲜度级别的虾(极新鲜、新鲜、可食用和不可食用)的关注区域进行比较分析，如图10所示，结果表明YOLO‑Shrimp模型在这些不同的新鲜度分类中展现出更优的检测性能；
[0153] 另外，本实施例还将训练时间延长至5000个周期，经过5000个周期的训练后，YOLO‑Shrimp模型与经典YOLO系列模型的对比结果如表3所示：
[0154] 表3YOLO‑Shrimp模型与各YOLO模型的性能对比
[0155]
[0156] 基于表3的对比结果绘制的雷达图如图11所示，由对比结果可知，YOLO‑Shrimp模型在多个指标上表现出了卓越的性能，包括精度(Precision)、召回率(Recall)、F1分数(F1 Score)、mAP50和mAP50:95，这进一步证明了该模型在特定领域内的高效性和稳定性；
[0157] 此外，图12展示了YOLO‑Shrimp模型与YOLOv8x模型在四种不同新鲜度状态下的检测结果对比，很明显，经过优化的YOLO‑Shrimp模型在识别四个新鲜度阶段——极新鲜、新鲜、可食用和不可食用(变质)——方面达到了更高的准确率，这种精度的提升突显了模型在区分不同程度的新鲜度时更加精细的能力，以更高的可靠性和效率进行判别，从而在对虾的新鲜度检测场景中展现了其卓越的性能；
[0158] 本实施例的验证实验验证了YOLO‑Shrimp模型在区分“可食用”与“变质”虾肉方面表现出了高精度和召回率，验证了其在实际应用中的有效性，不仅为食品行业提供了一种新的快速、准确的新鲜度检测工具，而且对于提升食品安全和质量控制水平具有重要意义；YOLO‑Shrimp模型的应用能够减少对传统生化分析方法的依赖，加快市场监测流程，从而为消费者带来更新鲜、更安全的海产品。
[0159] 相同或相似的标号对应相同或相似的部件；
[0160] 附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0161] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
