本发明涉及计算机视觉与目标检测，具体涉及一种基于改进yolov8n的轻量化光纤适配器旋转目标检测方法。
背景技术：
1、光纤配线架(odf)是现代通信网络中的关键设备，广泛应用于光纤通信交互系统中，实现光纤配线架内部的线缆互连。然而，光纤配线架在出厂前需要人工校准，手动确定每个光纤适配器端口对应的编码器数值，效率较低且容易引入误差，不仅增加了生产成本，也限制了光纤配线架的产品化和规模化生产。为了解决这些问题，自动化和智能化的光纤编码器检测算法显得尤为重要。通过引入深度学习目标检测算法，可以实现光纤编码器的精准定位。光纤适配器端口形状为矩形，在光纤配线架中呈圆环状排列，其位置和方向对光纤跳线的正确连接至关重要。传统目标检测方法在处理规则朝向目标时表现良好，但在光纤配线架这种端口朝向任意的复杂场景中，难以满足精度和实用性的双重要求。为此，需要将光纤适配器的检测任务从传统目标检测转化为旋转框目标检测，以适配其特有的几何特征。
2、目前旋转框目标检测方法主要分为两类：基于anchor的检测算法和anchor-free的检测算法。anchor-based算法以rotated faster r-cnn、rotated retinanet和glidingvertex为代表，通过设计旋转框anchor模板实现旋转目标的精确检测。这类算法能够有效捕捉目标的旋转特性，适用于目标形态多样的场景，但因anchor设置的复杂性导致计算开销较大，限制了算法的实时性和轻量化。
3、针对上述问题，学者们进行了模型轻量化设计。例如，li等提出了r-yolov5，引入transformer模块，在降低计算复杂度的同时，增强了对小目标的语义信息和全局感知能力；huang等提出了轻量化网络sp-yolo-lite，通过引入轻量化卷积模块和注意力机制，优化检测主干网络和颈部结构，显著降低计算和参数开销，实现了在嵌入式设备上的高效部署。
4、综上所述，关于模型轻量化的研究主要集中在替换轻量化模块和模型压缩上，但通常伴随着精度的下降，很难实现光纤适配器底座的高精度检测。
技术实现思路
1、发明目的：为了克服现有技术的不足，本发明聚焦于光纤配线架中光纤适配器检测的高精度与轻量化需求，提出了一种基于yolov8n的改进旋转框目标检测方法，解决了传统目标检测算法难以适配任意朝向目标，以及复杂模型难以部署于嵌入式设备等问题。为实现上述目的，本发明提供了如下方案：
2、技术方案：本发明提供了一种基于改进yolov8n的轻量化光纤适配器旋转目标检测方法，包括如下步骤：
3、s1：采集真实场景下的光纤适配器图像，标注数据并进行数据增强以扩充数据集；
4、s2：在yolov8n-obb模型基础上进行改进，将mobilevitv3集成到主干网络的c2f模块中；将ghost bottleneck v2集成到颈部网络的c2f模块；使用dynamic head改进检测头结构。
5、s3：使用改进后的yolov8n-obb轻量化模型进行训练评估，在训练过程中引入angle dfl loss作为损失函数；集成标签分配策略dynamic atss模块。
6、s4：完成训练后，保留训练后最优权重模型；将训练后的模型进行实验测试。
7、进一步地，所述步骤一具体为：标注数据是指利用roboflow工具对采集到的图像按光纤适配器，执行爪和10类数字字符用旋转矩形框进行人工精确标注；所述预处理是指将数据集按采用随机旋转、随机平移、随机翻转、随机剪裁、随机擦除、高斯噪声、改变亮度等数据增强方式扩充数据集，并按照8:1:1的比例将数据集随机划分为训练集、验证集、测试集。
8、进一步地，所述步骤二具体为：将mobilevitv3集成到主干网络的c2f模块中；将ghost bottleneck v2集成到颈部网络的c2f模块；使用dynamic head改进检测头结构。
9、所述mobilevitv3集成到主干网络的c2f模块具体为：引入mobilevitv3模块，能够更好地实现高效计算与特征表达的平衡。改进后的模块称为c2f_mvitbv3。本发明考虑到模型的效率和性能之间的关系，仅将主干网络中的第5、7层的c2f模块替换为c2f_mvitbv3，使模型参数在没有明显增加的情况下，较大地提升了模型的性能。
10、所述ghost bottleneck v2集成到颈部网络的c2f模块具体为：在neck中，所有c2f模块中的标准瓶颈结构替换为ghost bottleneck v2，改进后的模块称为c2f_ghostblockv2模块。替换后，可以有效利用ghost模块的低计算成本与高效特征表达能力，同时大幅降低模型参数。
11、所述的基于改进yolov8n的轻量化光纤适配器旋转目标检测方法，其特征在于，所述dynamic head改进检测头结构具体为：引入了注意力机制到检测头中，将原检测头替换为动态检测头dynamic head。这种逐级堆叠的模块化设计，显著降低了计算复杂度，同时保持了灵活性和表达能力。dynamic head的输入为统一尺度的特征张量，输出则适配于多种目标检测任务，如分类和回归，能够高效地提升目标检测性能。
12、进一步地，angle dfl loss损失函数具体为：引入了角度分布焦点损失(angledfl)，将角度预测任务从回归转化为分布建模。通过对角度进行离散化处理，angle dflloss能够提高预测的稳定性和精度。angle dfl loss将目标角度离散为固定范围内的分布点，每个角度值被映射为一组概率分布。通过计算预测分布与目标分布的差异得到分布损失，最终的角度损失通过目标得分总和进行归一化如公式(1):
13、
14、进一步地，所述动态标签分配策略dynamic atss具体为：将预测信息纳入正负样本的定义中，通过结合预测边界框的iou和anchor框的iou计算组合iou，并基于此动态调整标签分配策略。
15、两者的组合iou定义如公式(2)：
16、ciou＝ioupred+iouanchor (2)
17、使用组合iou的均值和标准差来计算动态阈值如公式(3)：
18、t＝μciou+σciou (3)
19、通过引入预测信息，dynamic atss能够显著提高正负样本分配的准确性。预测框比预定义的anchor框更贴近实际，因为最终的检测结果和nms算法是基于预测框而非anchor框的。dynamic atss能够灵活地调整正样本分配规则，关注那些预测质量不断提高的样本，从而提升网络的整体性能和检测精度。
20、根据本发明提供的具体实施例，本发明公开了以下技术效果：
21、本发明提出了一种基于改进yolov8n的轻量化光纤适配器旋转目标检测方法，以满足高精度检测和轻量化部署的需求。通过将mobilevitv3模块集成到主干网络的c2f模块中，实现局部与全局特征分离的优化，提升特征表达能力的同时显著降低计算成本；在颈部网络中引入ghost bottleneck v2模块，结合ghost模块和解耦全连接注意力机制，大幅减少了计算开销并增强特征融合效率；采用动态检测头，通过尺度、空间和任务维度的注意力机制实现高效的特征分配，提高模型对复杂场景的适应性；优化损失函数，引入角度分布焦点损失(angle dfl loss)，提升旋转框目标检测的稳定性和精度；通过动态标签分配策略(dynamic atss)，自适应调整正负样本分配规则，进一步提高检测性能。实验结果表明，基于改进yolov8n的轻量化光纤适配器旋转目标检测方法在光纤适配器检测任务中实现了卓越的精度和性能，同时具备良好的轻量化特性，适合在嵌入式设备上部署。