Foreign Object Detection Method for Dehydrated Vegetables Based on Improved YOLOv8

doi:10.12068/j.issn.1005-3026.2025.20249020

Abstract

Abstract:

Problems such as heavy workload， low manual detection efficiency， and inconsistent quality inspection standards of workers during the production process of dehydrated vegetables exist. To address these issues， a foreign object detection method based on improved YOLOv8， namely YOLOv8n-BCS， was proposed. This method could assist workers in improving quality inspection efficiency and reducing labor intensity. The YOLOv8n-BCS model introduced ShuffleNetV2 and BoTNet （bottleneck transformer network） into the backbone network and incorporated the simple attention module （SimAM） attention mechanism and lightweight upsampling operator content-aware reassembly of features （CARAFE） into the neck structure. The similarity intersection over union （SIoU） function was also used to calculate regression loss. By using an NVIDIA GeForce RTX 3080 server for training and testing， the experimental results show that the YOLOv8n-BCS model has an accuracy P of 96.8%， a recall R of 94.7%， a harmonic mean F1 of 95.7%， a mean average accuracy （mAP） of 97.1%， a frame rate of 231 f/s， and a model volume of 6.1 MB. Compared with the control model， the YOLOv8n-BCS model has reduced capacity， as well as improved detection speed and average accuracy， providing a technical reference for optimizing intelligent detection and sorting systems for dehydrated vegetables.

Key words: foreign object in dehydrated vegetables, YOLOv8, object detection, image recognition, lightweight

CLC Number:

TP 393.4

Bo HU, Hua-de XIONG, Yao LIU, Yong-jun ZHANG. Foreign Object Detection Method for Dehydrated Vegetables Based on Improved YOLOv8[J]. Journal of Northeastern University(Natural Science), 2025, 46(11): 19-29.

Figures/Tables 16

References 40

[1]	单杨. 中国果蔬加工产业现状及发展战略思考［J］. 中国食品学报， 2010， 10（1）： 1-9.
	Shan Yang. Current situation and development strategic consideration of the fruits & vegetables processing industry in China［J］. Journal of Chinese Institute of Food Science and Technology， 2010， 10（1）： 1-9.
[2]	陈丰，陈晓波，王瑞鸿. 脱水蔬菜加工技术及其研究进展［J］. 农产品加工， 2013（9）： 6-7.
	Chen Feng， Chen Xiao-bo， Wang Rui-hong. Processing technology and research progress of dehydrated vegetables［J］. Farm Products Processing， 2013（9）： 6-7.
[3]	孙小静，刘军，邹宇晓，等. 脱水蔬菜加工过程中品质变化的研究进展［J］. 食品工业科技， 2014， 35（20）： 388-392.
	Sun Xiao-jing， Liu Jun， Zou Yu-xiao， et al. Research progress in the quality change of dehydrated vegetables in processing［J］. Science and Technology of Food Industry， 2014， 35（20）： 388-392.
[4]	Bhargava A， Bansal A， Goyal V. Machine learning-based detection and sorting of multiple vegetables and fruits［J］. Food Analytical Methods， 2022， 15（1）： 228-242.
[5]	Kawamura S， Natsuga M， Takekura K， et al. Development of an automatic rice-quality inspection system［J］. Computers and Electronics in Agriculture， 2003， 40（1/3）： 115-126.
[6]	Zhao Y S， Gong L， Huang Y X， et al. Robust tomato recognition for robotic harvesting using feature images fusion［J］. Sensors， 2016， 16（2）： 173.
[7]	Hayashi S， Shigematsu K， Yamamoto S， et al. Evaluation of a strawberry-harvesting robot in a field test［J］. Biosystems Engineering， 2010， 105（2）： 160-171.
[8]	Pandey V K， Srivastava S， Dash K K， et al. Machine learning algorithms and fundamentals as emerging safety tools in preservation of fruits and vegetables： a review［J］. Processes， 2023， 11（6）： 1720.
[9]	Ji W， Qian Z J， Xu B， et al. A nighttime image enhancement method based on Retinex and guided filter for object recognition of apple harvesting robot［J］. International Journal of Advanced Robotic Systems， 2018， 15（1）： 1-12.
[10]	Agarwal M， Gupta S K， Biswas K K. Development of efficient CNN model for tomato crop disease identification［J］. Sustainable Computing： Informatics and Systems， 2020， 28： 100407.
[11]	王红军，熊俊涛，黎邹邹，等. 基于机器视觉图像特征参数的马铃薯质量和形状分级方法［J］. 农业工程学报， 2016， 32（8）： 272-277.
	Wang Hong-jun， Xiong Jun-tao， Li Zou-zou， et al. Potato grading method of weight and shape based on imaging characteristics parameters in machine vision system［J］. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（8）： 272-277.
[12]	Blanc P. Unit for sorting and packaging products capable of being hung on a hooking member for the purpose of their conveyance， such as bunches of fruits， in particular table grapes or truss tomatoes： US6957940B2［P］. 2005-10-25.
[13]	叶晋涛，王运祥，杨杰，等. 哈密瓜颜色特征提取及成熟度分级的研究［J］. 石河子大学学报（自然科学版）， 2016， 34（1）： 106-111.
	Ye Jin-tao， Wang Yun-xiang， Yang Jie， et al. Research on maturity and classification of Hami melon based on color space feature extraction［J］. Journal of Shihezi University （Natural Science）， 2016， 34（1）： 106-111.
[14]	魏康丽，王振杰，孙柯，等. 基于计算机视觉对苹果脆片外观品质分级［J］. 南京农业大学学报， 2017， 40（3）： 547-555.
	Wei Kang-li， Wang Zhen-jie， Sun Ke， et al. External quality classification of apple chips based on computer vision［J］. Journal of Nanjing Agricultural University， 2017， 40（3）： 547-555.
[15]	Baigvand M， Banakar A， Minaei S， et al. Machine vision system for grading of dried figs［J］. Computers and Electronics in Agriculture， 2015， 119： 158-165.
[16]	马超伟，张浩，马新明，等. 基于改进YOLOv8的轻量化小麦病害检测方法［J］. 农业工程学报， 2024， 40（5）： 187-195.
	Ma Chao-wei， Zhang Hao， Ma Xin-ming， et al. Lightweight wheat disease detection method based on improved YOLOv8［J］. Transactions of the Chinese Society of Agricultural Engineering， 2024， 40（5）： 187-195.
[17]	王春梅，刘欢. YOLOv8-VSC：一种轻量级的带钢表面缺陷检测算法［J］. 计算机科学与探索， 2024， 18（1）： 151-160.
	Wang Chun-mei， Liu Huan. YOLOv8-VSC： lightweight algorithm for strip surface defect detection［J］. Journal of Frontiers of Computer Science and Technology， 2024， 18（1）： 151-160.
[18]	胡杰珍，杨靖荣，邓培昌，等.基于YOLO算法的金属表面腐蚀图像识别分析系统［J］.材料保护， 2025， 58（9）： 124-133.
	Hu Jie-zhen， Yang Jing-rong， Deng Pei-chang， et al. Image recognition and analysis system for metal surface corrosion based on YOLO algorithm［J］. Materials Protection， 2025，58（9）：124-133.
[19]	Ye R， Shao G Q， He Y， et al. YOLOv8-RMDA： lightweight YOLOv8 network for early detection of small target diseases in tea［J］. Sensors， 2024， 24（9）： 2896.
[20]	王少聪，王会强，丁小明，等.基于改进YOLO v8n的草莓温室飞虫虫情监测方法［J］.农业工程学报，2025，41（17）：184-193.
	Wang Shao-cong， Wang Hui-qiang， Ding Xiao-ming， et al. Pest monitoring in strawberry greenhouses using improved YOLO v8n［J］. Transactions of the Chinese Society of Agricultural Engineering， 2025， 41（17）： 184-193.
[21]	白凯，张玉杰，苏邓文，等.基于改进YOLO v8n的花生叶片病害检测方法［J］.农业机械学报， 2025， 56（6）： 518-526， 564.
	Bai Kai， Zhang Yu-jie， Su Deng-wen， et al. Peanut leaf disease detection method based on improved YOLO v8n［J］. Transactions of the Chinese Society for Agricultural Machinery， 2025， 56（6）： 518-526， 564.
[22]	Fang C， Yang X. Lightweight YOLOv8 for wheat head detection［J］. IEEE Access， 2024， 12： 66214-66222.
[23]	刘梦姝，张春琪，晁金阳，等.基于YOLO v8n改进的小麦病害检测系统［J］.农业机械学报， 2024， 55（S1）： 280-287， 355.
	Liu Meng-shu， Zhang Chun-qi， Chao Jin-yang， et al. Improved wheat disease detection system based on YOLO v8n［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024， 55（S1）： 280-287， 355.
[24]	苑迎春，耿俊，许楠，等. 基于YOLO v8-TRP模型的小麦麦穗识别方法研究［J］. 农业机械学报， 2025， 56（11）： 499-508.
	Yuan Ying-chun， Geng Jun， Xu Nan， et al. Wheat ear recognition method using YOLOv8-TRP model［J］. Transactions of the Chinese Society for Agricultural Machinery， 2025， 56（11）： 499-508.
[25]	Wang C Y， Bochkovskiy A， Liao H M. YOLOv7： trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Vancouver， 2023： 7464-7475.
[26]	Ge Z， Liu S T， Wang F， et al. YOLOX： exceeding YOLO series in 2021［EB/OL］. 2021： arXiv： 2107.08430. .
[27]	鲍禹辰，徐增波，田丙强. 基于YOLOv8改进的服装疵点检测算法［J］. 东华大学学报（自然科学版）， 2024， 50（4）： 49-56.
	Bao Yu-chen， Xu Zeng-bo， Tian Bing-qiang. Improved garment defect detection algorithm based on YOLOv8［J］. Journal of Donghua University （Natural Science）， 2024， 50（4）： 49-56.
[28]	Ma N N， Zhang X Y， Zheng H T， et al. ShuffleNet V2： practical guidelines for efficient CNN architecture design［C］//Computer Vision-ECCV 2018. Cham： Springer， 2018： 122-138.
[29]	Srinivas A， Lin T Y， Parmar N， et al. Bottleneck transformers for visual recognition［EB/OL］. （2021-01-21）［2024-03-30］.
[30]	Wang J Q， Chen K， Xu R， et al. CARAFE： content-aware ReAssembly of FEatures［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Seoul， 2020： 3007-3016.
[31]	李文举，张干，崔柳，等. 基于坐标注意力的轻量级交通标志识别模型［J］. 计算机应用， 2023， 43（2）： 608-614.
	Li Wen-ju， Zhang Gan， Cui Liu， et al. Lightweight traffic sign recognition model based on coordinate attention［J］. Journal of Computer Applications， 2023， 43（2）： 608-614.
[32]	马宏兴，董凯兵，王英菲，等. 基于改进YOLO v5s的轻量化植物识别模型研究［J］. 农业机械学报， 2023， 54（8）： 267-276.
	Ma Hong-xing， Dong Kai-bing， Wang Ying-fei， et al. Lightweight plant recognition model based on improved YOLO v5s［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（8）： 267-276.
[33]	Yang L X， Zhang R Y， Li L D， et al. SimAM： a simple， parameter-free attention module for convolutional neural networks［C］//International Conference on Machine Learning.Vienna， 2021：11863-11874.
[34]	Zheng Z H， Wang P， Liu W， et al. Distance-IoU loss： faster and better learning for bounding box regression［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（7）： 12993-13000.
[35]	Gevorgyan Z. SIoU loss： more powerful learning for bounding box regression［EB/OL］. （2022-05-25）［2024-03-30］. .
[36]	Koirala A， Walsh K B， Wang Z， et al. Deep learning for real-time fruit detection and orchard fruit load estimation： benchmarking of ‘MangoYOLO’［J］. Precision Agriculture， 2019， 20（6）： 1107-1135.
[37]	Liu G X， Nouaze J C， Touko Mbouembe P L， et al. YOLO-tomato： a robust algorithm for tomato detection based on YOLOv3［J］. Sensors， 2020， 20（7）： 2145.
[38]	Lawal O M. YOLOMuskmelon： quest for fruit detection speed and accuracy using deep learning［J］. IEEE Access， 2021， 9： 15221-15227.
[39]	Redmon J， Farhadi A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08）［2024-03-30］..
[40]	Deng S C， Mei F， Yang L， et al. Research on the hand-eye calibration method based on monocular robot［J］. Journal of Physics： Conference Series， 2021， 1820（1）： 012007.

异物类别	训练集	验证集	测试集	总计
彩条	1 481	186	186	1 853
头发	1 444	181	181	1 806
杂草	1 680	210	210	2 100
塑料片	1 040	130	130	1 300
带泥蔬菜	401	50	50	501
棉线	1 441	180	180	1 801
总计	7 487	937	937	9 361

异物类别	训练集	验证集	测试集	总计
彩条	1 481	186	186	1 853
头发	1 444	181	181	1 806
杂草	1 680	210	210	2 100
塑料片	1 040	130	130	1 300
带泥蔬菜	401	50	50	501
棉线	1 441	180	180	1 801
总计	7 487	937	937	9 361

模型参数	YOLOv3	YOLOv5s	YOLOv8n	YOLOv8n-BCS
P/%	93.1	96.0	96.1	96.8
R/%	90.7	93.9	94.2	94.7
F1/%	91.9	94.9	95.1	95.7
mAP/%	92.3	96.3	96.5	97.1
FPS/(f·s^-1)	143.483	224.116	198.847	231.476
模型大小/MB	235	18.6	6.2	6.1

模型参数	YOLOv3	YOLOv5s	YOLOv8n	YOLOv8n-BCS
P/%	93.1	96.0	96.1	96.8
R/%	90.7	93.9	94.2	94.7
F1/%	91.9	94.9	95.1	95.7
mAP/%	92.3	96.3	96.5	97.1
FPS/(f·s^-1)	143.483	224.116	198.847	231.476
模型大小/MB	235	18.6	6.2	6.1

序号	基础模型	ShuffleNetV2+BoTNET	CARAFE	SimAM	SIoU	P/%	R/%	F1/%	mAP/%	FPS
序号	基础模型	ShuffleNetV2+BoTNET	CARAFE	SimAM	SIoU	P/%	R/%	F1/%	mAP/%	f·s^-1
模型1	YOLOv8n	×	×	×	×	96.1	94.2	95.1	96.5	198.847
模型2	YOLOv8n	√	×	×	√	96.3	94.2	95.2	96.7	210.452
模型3	YOLOv8n	×	×	√	√	96.1	94.0	95.0	96.5	202.926
模型4	YOLOv8n	×	√	×	√	96.1	94.3	95.2	96.4	205.424
模型5	YOLOv8n	×	√	√	√	96.3	94.5	95.4	96.6	208.867
模型6	YOLOv8n	√	√	×	√	96.7	93.5	95.1	96.6	205.723
模型7	YOLOv8n	√	×	√	√	96.4	94.1	95.2	96.7	212.428
模型8	YOLOv8n	√	√	√	√	96.8	94.7	95.7	97.1	231.476