基于YOLOv8的速食粉面多品種外包裝識別方法

摘 "要：該研究旨在解決速食粉面生產過程中對多品種外包裝的智能識別難題，計算機視覺技術為速食粉面外包裝生產線提供了一種高效、智能化的包裝識別與分揀解決方案。當前，生產線上的包裝識別系統往往受限于識別種類，每增加一種外包裝識別功能，便大幅增加企業的生產開發成本。該文創新性地融合YOLOv8目標識別算法與計算機視覺技術，實現了速食粉面外包裝的實時識別功能，并對外包裝內食品質量無實質性影響，不僅減少了因擴展識別種類而增加的成本，還顯著提升了生產線的運行效率。經實驗表明，模型的精準度為99.93%，召回率為99.98%，mAP0.5為99.49%，mAP0.5∶0.95為99.47%，該研究給速食粉面包裝生產企業提供了一種多品種外包裝識別解決方案，具有一定的研究價值。

關鍵詞：速食粉面；YOLOv8；計算機視覺；目標識別；深度學習

中圖分類號：TS213.2 " " "文獻標志碼：A " " " " "文章編號：2095-2945（2025）10-0142-04

Abstract： This study aims to address the challenge of intelligent recognition of multi-variety packaging in the production process of instant noodles and noodles. Computer vision technology provides an efficient and automated packaging recognition and sorting solution for the production line of instant noodles and noodles packaging. Currently， packaging recognition systems on production lines are often limited in the types of recognition， and each additional packaging recognition function significantly increases the production and development costs for enterprises. This paper innovatively integrates the YOLOv8 object recognition algorithm with computer vision technology to achieve real-time recognition of instant noodles and noodles packaging， without substantially affecting the quality of the food inside the packaging. This not only reduces the increased cost caused by expanding the identification types， but also significantly improves the operating efficiency of the production line. Experiments show that the accuracy of the model is 99.93%， the recall rate is 99.98%， mAP0.5 of 99.49%， and mAP0.5∶0.95 of 99.47%. This research provides instant noodle packaging manufacturers with a multi-variety outer packaging identification solution， which has certain research value.

Keywords： instant noodle; YOLOv8; computer vision; target recognition; deep learning

近年來，隨著速食粉面市場需求的急劇攀升，國內該行業的生產規模持續擴張，然而，這一快速增長的背后也伴隨著成本控制的嚴峻挑戰。特別是在生產鏈的終端環節——包裝與裝箱過程中，當前的智能化外包裝識別能力的局限性，僅能支持1～3種外包裝類型的識別，對于任何新增包裝類型的適應性擴展均需付出較高的經濟成本。

長期以來，速食粉面包裝行業普遍依賴于人工裝箱的傳統模式，這種方法不僅效率低下，還不可避免地引入了人為誤差與主觀性，既耗費了大量的人力資源，又難以保證裝箱質量與效率。面對大規模、高頻次的包裝需求，人工逐箱稱重更是顯得力不從心，既增加了時間成本，也抬高了整體運營成本。鑒于此，自動化裝箱機系統的應運而生成為了行業發展的一個重要轉折點。然而，目前這些系統普遍面臨的瓶頸在于其有限的外包裝識別能力，無法靈活應對包裝種類日益多樣化的市場需求。每一次對新增包裝類型的識別功能升級，都需經歷復雜的技術研發與高昂的資金投入，這無疑對生產商構成了不小的壓力。

因此，提升自動化裝箱機系統的智能化水平，實現更高效、更靈活的包裝識別與裝箱作業，已成為速食粉面生產行業亟待解決的關鍵問題。

1 "系統總體設計

本設計精心構建了一個高效的數據處理與轉發系統，其核心驅動力源自AMD Ryzen 7 5700X 8核處理器，這一強大的總控制芯片不僅確保了數據處理能力的卓越性，還優化了數據流轉的效率，為整個系統提供了堅實的性能基礎[1]。

在視覺識別領域，本系統創新性地集成了USB攝像頭模組，該模組專為捕捉速食粉面包裝的高清圖像而設計，能夠精準地捕獲包裝細節，為后續的智能識別奠定堅實基礎[2]。為了實現對速食粉面包裝的快速、準確識別，本文采用了先進的YOLOv8目標檢測算法模型。這一模型以其出色的檢測速度與精度，在復雜環境中依然能夠穩定識別速食粉面包裝，極大地提升了系統的智能化水平。

在圖像處理與展示方面，本系統充分利用了OpenCV（cv2）庫的強大功能，不僅實現了對攝像頭畫面的實時捕捉與顯示，還通過精細的編程實現了圖像數據的自動編號與本地存儲。這一功能不僅方便了后續的數據分析與處理，還增強了系統的數據管理能力，確保了數據的完整性與可追溯性。

本設計通過集成高性能處理器、高精度攝像頭模組以及先進的圖像處理算法[3]，構建了一個高效、智能的速食粉面包裝識別系統。其系統結構如圖1所示，各組件協同工作，共同實現了對速食粉面包裝的精準識別與高效管理，為相關行業的自動化、智能化發展提供了有力支持[4]。

1.1 "數據庫設計

本文選擇了MySQL這一強大的關系型數據庫系統，作為存儲與管理數據的核心解決方案。為了充分利用其靈活性和高效性，決定將MySQL數據庫部署于一個運行Ubuntu 18.04 LTS版本的虛擬機環境中。這一配置不僅確保了數據庫的穩定運行，還便于在隔離的環境中進行開發、測試及后續的維護工作。此數據庫的主要任務是不間斷地收集并存儲來自多個源的關鍵數據，這些數據主要包括但不限于：通過先進圖像處理技術識別到的圖片文件的保存路徑，以及利用機器學習模型進行推理后得到的置信度評分等。通過精心設計的數據庫架構，能夠高效地管理這些數據，確保它們的完整性、一致性和可訪問性。

1.2 "攝像頭選型

在攝像頭配置的選擇上，本文采用了具備1 080P外接免驅動攝像頭。這一選擇確保了捕捉到的圖像擁有極高的清晰度和細節表現，1 080P高清攝像頭提升了圖像的分辨率。其出色的成像能力，為本文后續的圖像處理、特征提取以及模型推理等步驟提供了高質量的數據源，從而確保了整個識別與分析過程的準確性和可靠性。此外，該攝像頭還具備穩定的性能和良好的兼容性，能夠輕松集成到本文的系統中，并與MySQL數據庫等后端組件無縫協作，共同構建出一個高效、可靠的圖像處理與數據分析解決方案。

1.3 "數據集采集

本文數據集原始素材來源于拼多多平臺的采購。為了確保數據的多樣性和代表性，本文挑選了13種各類外包裝作為拍攝對象。隨后，利用先進的1080P高清攝像頭進行拍攝，這一步驟不僅捕捉到了商品的精細紋理與細節，還確保了圖像的高清晰度和色彩準確性，為后續的數據處理奠定了堅實的基礎[5]。

在拍攝完成后，本文通過標注軟件LabelImg進行標注，本文確保了每張圖片中的關鍵信息都被準確、詳細地標注出來。這一環節對于提升模型的識別精度和泛化能力至關重要。

本文將標注好的數據按照COCO（Common Objects in Context）格式進行了整理與合成，形成了COCO128數據集。COCO128數據集的成功構建，為本文后續的模型訓練、性能評估以及算法優化提供了強有力的數據支持。

1.4 "OpenCV開發

本文巧妙利用OpenCV的強大功能，實時捕獲高清攝像頭的數據流，并將數據流中的每一幀圖像逐一送入YOLOv8模型進行高效推理。推理結果中目標的位置信息隨后通過OpenCV的cv2繪圖功能進行精準標注，以直觀展示模型對攝像頭畫面的識別效果。

2 "YOLOv8目標識別算法

2.1 "識別系統設計

速食粉面包裝識別部分系統設計如圖2所示。

2.2 "YOLOV8模型介紹

實時物體檢測技術作為當代科技的璀璨明珠，已深深植根于自主駕駛、機器人技術、智能視頻監控及增強現實等多個前沿領域[6]，引領著技術革新與產業升級。在這一技術領域中，YOLO（You Only Look Once）框架憑借其卓越的速度與精度的完美融合，成為了業界的標桿，它能夠在極短時間內準確無誤地識別出圖像中的各類物體。

自YOLO系列誕生以來，其歷經多次迭代，每版皆旨在突破前代局限，推動性能極限。如圖3所示，YOLOv1首開先河，以單次前向傳播實現高速檢測，到YOLOv2、v3引入多項優化，強化檢測能力，YOLO持續引領創新。YOLOv4整合尖端技術，實現速度與精度的飛躍。v5與v6則優化結構，簡化流程，提升實用性。最新的YOLOv8，在架構、訓練、推理上全面革新，為用戶帶來前所未有的高效精準檢測體驗[7]，標志著YOLO技術的又一里程碑，預示著實時物體檢測領域的璀璨未來。

YOLOv8，作為YOLO系列的巔峰之作，榮膺目標檢測領域SOTA桂冠。其不僅傳承了YOLO系列的卓越基因，更以全面革新引領潮流。YOLOv8深度融合前沿科技，革新骨干網絡、引入Anchor-Free檢測頭及定制化損失函數，顯著提升特征提取效率與檢測精度[8]。其核心網絡架構由高效Backbone、強大Neck與靈活Head組成，三者協同增效，鑄就非凡檢測能力。Backbone采用C2F[9-10]模塊與先進技術，優化特征表示；Neck借助PAN-FPN與SPPF，增強特征融合與多尺度檢測；Head則通過Decoupled-Head設計，實現高效分類與精準檢測。加之Anchor-free、自適應NMS及自動混合精度訓練等優化技術，YOLOv8[3]在速度、精度與易用性上均實現飛躍，定義了目標檢測新標準。

YOLOv8網絡模型結構圖如圖4所示。

2.3 "模型訓練的試驗環境

試驗環境配置如下：CPU為AMD Ryzen 7 5700x 8-Core Processor 3.4 GHz；運行內存為64 GB；GPU為16 G的 NVIDIA GeForce RTX 4060 Ti；操作系統為 Windows 11 專業版 23H2 22631.3672；NVIDIA驅動版本為552.44.00；編程語言Python的版本是3.8.10；深度學習框架Pytorch的版本為2.3.0+cu121。

3 "實驗與驗證

經過對YOLOv8模型的深入優化與數據集訓練，本文通過3 000次的訓練成功地構建了一個高精度的識別系統，該系統能夠準確無誤地辨識出多達12種不同種類的螺螄粉包裝。具體模型數據見表1。

識別完成的實驗耗材圖片如圖5所示。

聲明：以上圖片非商業用途；數據來源：拼多多采購。

識別完成的對應表見表2。

YOLOv8的準確率和函數損失圖如圖6、圖7所示。

4 "結論

該研究針對速食粉面外包裝種類的復雜性與多樣性，提出了一種基于YOLOv8的智能高效檢測方法。引入C2F特征融合模塊[11]，成功地將深層特征圖的豐富語義信息與淺層特征圖的高分辨率細節相結合，提升了模型對速食粉面外包裝種類的識別能力。同時，結合特征增強技術，進一步增強了特征圖的表達能力，有效抑制了噪聲信息的干擾。此外，利用多尺度檢測機制，能靈活應對不同尺寸的外包裝目標[12]，確保了檢測的全面性和準確性。該研究不僅為速食粉面外包裝識別領域帶來了新的突破，也為類似復雜場景下的目標檢測任務提供了技術支持。

參考文獻：

[1] 林濤.基于OSGi自動抄表網關的研究與設計[J].計算機系統應用，2006（4）：48-50，12.

[2] 李賓，譚建榮，彭群生.一個基于掃描串的統一整體矢量化算法[J].軟件學報，1998（6）：27-32.

[3] 劉昱，彭龑.基于YOLOv8的鋼材表面缺陷檢測算法[J/OL].重慶工商大學學報（自然科學版），1-10[2024-09-02].http：//kns.

cnki.net/kcms/detail/50.1155.N.20240823.1659.002.html.

[4] 胥鳴，張奇，牛守祥.一種利用邊緣計算網關對既有自控系統的改造方法[P].安徽?。篊N202211027279.3，2023-06-27.

[5] 黃文軍.基于LabVIEW的低頻虛擬示波器研究與實現[D].桂林：廣西師范大學，2010.

[6] 韓建平.視頻運動對象分割及其應用研究[D].杭州：浙江大學，2009.

[7] 朱舒卷，何軍.OLED顯示器及其制備方法、QLED顯示器[P].江蘇省：CN202111027504.9，2021-11-26.

[8] 申光鵬，王挺.基于圖像特征的電子印章數字水印算法設計[J].計算機應用，2020，40（S1）：199-202.

[9] 陳德富.基于YOLOv4的金屬工件銀面缺陷檢測[D].桂林：桂林電子大學，2022.

[10] 鄧力，周進，劉全義.基于改進YOLOv8的火焰與煙霧檢測算法[J].清華大學學報（自然科學學版），2025，65（4）：681-689.

[11] 趙佰亭，程瑞豐，賈曉芬.融合多尺度特征的YOLOv8裂縫缺陷檢測算法[J].計算機工程與應用，2024，60（22）：261-270.

[12] 崔家禮，王涵，鄭瀚，等.基于LDI-YOLOv8的融合圖像檢測方法[J/OL].微電子學與計算機，1-14[2024-09-02].http：//kns.cnki.net/kcms/detail/61.1123.tn.20240808.1049.002.html.