本发明涉及建筑领域和图像分割，尤其是一种基于yolov8框架的预埋件分割模型、方法和系统。
背景技术：
1、当前建筑领域大量用到预制构件，预制构件可提高工程效率。预制构件比如预制板上需要安装预埋件，以便于后续安装。预埋件的位置、尺寸等精度要求高，如果出现偏差，轻者影响施工进度，重则影响工程质量。
2、因此，预埋件检测在预制构件生产中非常重要，实现预埋件检测的自动化与智能化，可有效保证预制构件的出厂质量。
技术实现思路
1、为了克服上述现有技术中缺乏高精度智能化检测预埋件的技术的缺陷，本发明提出了一种基于yolov8框架的预埋件分割模型的构建方法。
2、本发明提出的一种基于yolov8框架的预埋件分割模型的构建方法，首先构建基础模型和标注样本，标注样本为标注有预埋件检测信息的实体图像，预埋件检测信息包括预埋件位置和类别；然后令基础模型在标注样本上进行机器学习，获取收敛后的基础模型作为预埋件分割模型；
3、基础模型在yolov8模型的基础上对颈部网络进行改进，基础模型的颈部网络包括：第一支路、第二支路和第三支路；第一支路包括顺序连接的第六卷积网络、第一gat网络、第五c2f模块、第二gat网络和第六c2f模块；第二支路包括顺序连接的第七卷积网络、第三gat网络、第七c2f模块、第四gat网络和第八c2f模块；第三支路包括顺序连接的第八卷积网络、第五gat网络和第九c2f模块；
4、第六卷积网络的输出还连接第三gat网络的输入，第七卷积网络的输出还连接第一gat网络的输入；第七c2f模块的输出还分别连接第二gat网络的输入和第五gat网络的输入，第五c2f模块的输出还分别连接第四gat网络的输入和第五gat网络的输入，第八卷积网络的输出还分别连接第二gat网络的输入和第四gat网络的输入。
5、优选的，基础模型的主干网络包括顺序连接的输入层、第一卷积网络、第二卷积网络、第一c2f模块、第三卷积网络、第二c2f模块、第四卷积网络、第三c2f模块、第五卷积网络、第四c2f模块和sppf模块；第六卷积网络的输入连接第二c2f模块的输出，第七卷积网络的输入连接第三c2f模块的输出，第八卷积网络的输入连接sppf模块的输出。
6、优选的，第一卷积网络、第二卷积网络、第三卷积网络、第四卷积网络、第五卷积网络、第六卷积网络、第七卷积网络和第八卷积网络均采用cbs网络模块。
7、优选的，第一卷积网络、第二卷积网络、第三卷积网络、第四卷积网络、第五卷积网络、第六卷积网络、第七卷积网络和第八卷积网络均采用conv卷积网络。
8、优选的，基础模型的头部网络，头部网络包括三个输出模块，三个输出模块分别对应第六c2f模块、第八c2f模块和第九c2f模块，第六c2f模块、第八c2f模块和第九c2f模块的输出分别连接对应的输出模块的输入；输出模块包括两条并联的标注支路，每条标注支路均由相连接的conv卷积网络和conv2d网络构成，conv卷积网络的输入连接标注支路的输入，conv2d网络的输出即为标注支路的输出；输出模块中，一条标注支路用于生成预埋件标注框，另一条标注支路用于生成预埋件类别。
9、本发明提出的一种预埋件分割方法，首先采用所述的基于yolov8框架的预埋件分割模型的构建方法构建预埋件分割模型；然后获取待检测对象的拍摄图像，将拍摄图像输入预埋件分割模型，预埋件分割模型输出待检测对象的预埋件检测信息。
10、本发明提出的一种预埋件分割系统，包括存储器，存储器中存储有计算机程序和预埋件分割模型，所述计算机程序被执行时用于实现所述的预埋件分割方法。
11、优选的，还包括处理器，处理器连接存储器，处理器用于执行所述计算机程序，以实现所述的预埋件分割方法。
12、本发明的优点在于：
13、(1)本发明提出的基于yolov8框架的预埋件分割模型的构建方法，基于yolov8构建了自适应特征金字塔网络(afpn，adaptive feature pyramid network)的预埋件分割模型，实现自适应特征融合。该预埋件分割模型可通过动态地生成不同尺度的特征金字塔，以适应不同大小的目标检测；通过学习权重参数，判断不同尺度特征的重要性和有效性，从而决定如何进行特征融合。这种自适应特征融合的方式确保了每个尺度的特征都能够帮助当前模型分割不同叠合板的预埋件，从而提高对金属接线盒、塑料接线盒和预埋孔洞等预埋件的特征细节的关注度，提高预埋件分割精度。
14、(2)本发明引入gat(graphattentionnetworks；图形注意力网络)，通过注意力机制和图神经网络结合，以提取配件之间的像素级深度信息。
15、(3)本发明结合自适应特征金字塔网络和图形注意力网络，通过动态地学习节点之间的重要性权重来捕捉图结构中的信息，具有更强的灵活性和自适应性。
16、(4)本发明还提出了一种预埋件分割方法，基于本发明提出的预埋件分割模型检测实体上的预埋件，实现了更轻的模型结构和更高的检测效率和检测精度。
1.一种基于yolov8框架的预埋件分割模型的构建方法，其特征在于，首先构建基础模型和标注样本，标注样本为标注有预埋件检测信息的实体图像，预埋件检测信息包括预埋件位置和类别；然后令基础模型在标注样本上进行机器学习，获取收敛后的基础模型作为预埋件分割模型；
2.如权利要求2所述的，基于yolov8框架的预埋件分割模型的构建方法，其特征在于，基础模型的主干网络包括顺序连接的输入层、第一卷积网络、第二卷积网络、第一c2f模块、第三卷积网络、第二c2f模块、第四卷积网络、第三c2f模块、第五卷积网络、第四c2f模块和sppf模块；第六卷积网络的输入连接第二c2f模块的输出，第七卷积网络的输入连接第三c2f模块的输出，第八卷积网络的输入连接sppf模块的输出。
3.如权利要求1所述的基于yolov8框架的预埋件分割模型的构建方法，其特征在于，第一卷积网络、第二卷积网络、第三卷积网络、第四卷积网络、第五卷积网络、第六卷积网络、第七卷积网络和第八卷积网络均采用cbs网络模块。
4.如权利要求2所述的基于yolov8框架的预埋件分割模型的构建方法，其特征在于，第一卷积网络、第二卷积网络、第三卷积网络、第四卷积网络、第五卷积网络、第六卷积网络、第七卷积网络和第八卷积网络均采用conv卷积网络。
5.如权利要求1所述的基于yolov8框架的预埋件分割模型的构建方法，其特征在于，基础模型的头部网络，头部网络包括三个输出模块，三个输出模块分别对应第六c2f模块、第八c2f模块和第九c2f模块，第六c2f模块、第八c2f模块和第九c2f模块的输出分别连接对应的输出模块的输入；输出模块包括两条并联的标注支路，每条标注支路均由相连接的conv卷积网络和conv2d网络构成，conv卷积网络的输入连接标注支路的输入，conv2d网络的输出即为标注支路的输出；输出模块中，一条标注支路用于生成预埋件标注框，另一条标注支路用于生成预埋件类别。
6.一种采用权利要求1-5任一项所述的基于yolov8框架的预埋件分割模型的构建方法的预埋件分割方法，其特征在于，首先采用权利要求1-5任一项所述的基于yolov8框架的预埋件分割模型的构建方法构建预埋件分割模型；然后获取待检测对象的拍摄图像，将拍摄图像输入预埋件分割模型，预埋件分割模型输出待检测对象的预埋件检测信息。
7.一种预埋件分割系统，其特征在于，包括存储器，存储器中存储有计算机程序和预埋件分割模型，所述计算机程序被执行时用于实现如权利要求6所述的预埋件分割方法。
8.如权利要求7所述的预埋件分割系统，其特征在于，还包括处理器，处理器连接存储器，处理器用于执行所述计算机程序，以实现如权利要求6所述的预埋件分割方法。
