遗传算法优化器构建及其用于YOLO算法的大豆籽粒识别研究.pdfVIP

摘要

随着人工智能领域中计算机视觉技术的快速发展，大豆籽粒的识别工作逐

渐被计算机所取代或部分取代，而如何准确快速地通过计算机辅助大豆籽粒识

别就成为目前迫切需要解决的一项难题；智能优化算法在神经网络优化中可以

极大地减轻人工负担，但是现有的智能优化算法对神经网络优化存在算力消耗

大、精度不高等问题。针对上述两个问题，本文基于YOLOv8目标检测网络，

针对智能优化算法无法对复杂网络进行优化的问题，提出了将超参数优化器与

网络结构优化器分别进行编码的方法，提出与设计了针对YOLOv8网路的遗

传算法优化器，并针对拥有的大豆籽粒数据集提出了三种混合图像识别数据集

和目标检测数据集的方法，并使用实验进行验证。研究内容及结论如下:

（1）针对超参数优化器编码问题，提出了以超参数映射及超参数映射表的

形式映射得到优化代码，并在此基础上提出了将超参数序列化的方法，获得超

参数优化序列。

（2）针对网络结构优化器的编码方法的问题，提出了一种演变自人类对神

经网络进行手动优化的、以操作作为基础的神经网络优化方案，并以该方案为

基础，提出了一种类似计算机指令系统操作码的对神经网络的操作编码方案，

同时以四个操作码构成一组优化序列，作为网络结构优化序列。

（3）基于（1）、（2）中所述的序列化方案，提出了一种基于基础遗传算法

的优化方法，同时将上述的网络结构优化序列与超参数优化序列进行拼接，得

到遗传算法所需的优化序列。针对该优化序列提出了新的遗传、突变和交换算

子，并在此基础上提出了新的评分函数和终止条件，构建了新的遗传算法对

YOLOv8网络的优化器。

（4）针对目标检测数据集混合问题，提出了直接标注法、合成法和插入法

三种方法，对图像识别数据集与目标检测数据集进行混合，生成了新的大豆籽

粒数据集。

实验结果表明，本文提出的优化器在训练速度、训练精度和模型稳定性上

均优于手工调优，并且具有一定的可扩展性。优化后的GA-YOLOv8网络在大

豆籽粒数据集上效果良好，最佳模型mAP达到99.5%，这个较YOLOv8进行

20次训练的最优结果的mAP值高出了2.72%；同一世代最差模型mAP达到

98.26%，较YOLOv8进行20次训练的最优结果的mAP值高出1.48%，完全能

够完成大豆籽粒识别任务。

关键词：YOLOv8，遗传算法，深度学习优化器，大豆籽粒，目标检测

ABSTRACT

Withtherapiddevelopmentofcomputervisiontechnologyinthefieldof

artificialintelligence,theidentificationofsoybeanseedsisgraduallyreplacedor

partiallyreplacedbycomputers,andhowtoaccuratelyandquicklythroughthe

computer-assistedrecognitionofsoybeanseedshasbecomeanurgentneedtosolve

adifficultproblem;intelligentoptimizationalgorithmsinneuralnetwork

optimizationcangreatlyreducetheburdenofmanuallabor,