来源：期刊VIP网 时间：
作者：张庆辉;王仪鑫;张梦雅;陈卫东;田国军;武勇;张崴;
单位：河南工业大学粮食信息处理与控制教育部重点实验室;河南工业大学河南省粮食仓储信息智能感知与决策重点实验室;河南工业大学河南省粮食大数据分析与应用工程技术研究中心;粮食储运国家工程研究中心;湖北省粮油食品质量监督检测中心;安徽高哲信息技术有限公司;
摘要：基于机器视觉的大米外观品质检测已得到广泛应用，但在实际大米图像处理中，籽粒粘连常导致分割结果不稳定、不精准，现有方法在自然散落场景下易出现过分割或边缘模糊问题。为此，提出了一种基于YOLOv8的改进型粘连大米分割模型GT-YOLOv8,构建具有更大空间感受野和动态卷积能力的主干网络GTNet,以提升模型对边缘特征的提取性力和整体分割效率。同时，融合多尺度注意力机制，并在损失函数中引入WIoU损失函数，增强模型的特征提取能力与全局信息捕捉能力。构建了基于多品种大米、多光照拍摄条件、多种粘连程度的粘连大米实例分割数据集STR-900验证模型的有效性。结果表明：所提出的GTNet主干结构在保持较低参数量的同时，仍然保持了与ConvNext主干相当的性能，充分体现了其在轻量化与高效性之间的良好平衡；基于GTNet构建的GT-YOLOv8模型在大米粘连图像的实例分割任务中表现突出，相比原始YOLOv8模型在Mask mAP指标上提升了5.93百分点，显著增强了对粘连籽粒的分割准确性和边缘清晰度。综上，GT-YOLOv8模型在复杂粘连条件下表现出较高的分割精度与泛化能力，具有良好的应用前景。
关键词：图像分割;;YOLOv8;;轻量化;;注意力机制;;粘连大米图像
基金资助：中原科技创新领军人才项目(244200510024);; 河南工业大学粮食信息处理中心开放课题(KFJJ2023013)
