1.一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：步骤如下，S1.拍摄获取粗粒土破碎颗粒原始数据集，进行标记处理，制作为初始数据集；

S2.对初始数据集中的图像进行数据增强处理，扩充数据集；

S3.对数据增强后数据集的图像进行图像处理；

S4.图像处理后的数据集转为YOLOv8输入标记格式，并进行训练，完成分割模型；

S5.将实验图片输入训练完成的分割模型中，进行实验图片实例分割；

S6.使用SURF对实验图片的特征点进行提取；

S7.将S5中实例分割区域与S6中SURF提取的特征点进行对应，并对特征点进行匹配，获得特征点匹配的追踪结果，将S5中实验图片的实例分割结果作为特征点的簇，在同一个分割区域内的特征点属于同一簇，对识别出的特征点进行分类标记，同一簇内的标记编号相同，再与S6中SURF提取的特征点进行匹配，在匹配完成后把上一帧的标记传至这一帧，若上一帧一个簇内的特征点匹配到这一帧多个不同簇内的特征点，则判别为此粗粒土颗粒发生破碎，并且对其破碎情况进行分析；

S8.将粗粒土破碎实验视频输入至YOLOv8的MOT算法中，进行多目标追踪，获得基于YOLOv8得到的追踪结果；

S9.比对S7的追踪结果和S8的追踪结果，删除劣质追踪轨迹，保留轨迹相同的匹配对，输出追踪结果。

2.根据权利要求1所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：S1中获取粗粒土破碎颗粒原始数据集，使用CVAT中的AI标记功能，对视频中的图片进行标记，人工删除劣质标记，制作称为初始数据集。

3.根据权利要求1或2所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：S2中，将S1中获取的初始数据集的图片通过顺时针旋转90°、180°、270°以及左右和上下翻转变化图像的加强方法来增强图片数量，扩充数据集。

4.根据权利要求3所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：S3中，数据增强扩充后数据集通过高斯滤波进行降噪处理，并且进行先腐蚀再膨胀的开运算，使得数据集中标记图像边缘更加圆滑，完成图像处理。

5.根据权利要求4所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：S4中，由于CVAT输出的标记文件为png格式，需要先将输出标记文件格式转为YOLOv8输入文件格式，并将原图与标记文件名相互对应制成YOLOv8实例分割输入文件，再通过YOLOv8m‑seg模型进行训练，完成分割模型。

6.根据权利要求5所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：S5中，拍摄粗粒土破碎实验视频，粗粒土破碎实验视频转为多张粗粒土实验图片，并将实验图片输入至训练好的分割模型中，对实验图片进行分割，并且得到分割结果。

7.根据权利要求4或5或6所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：S6中在进行SURF特征点提取前，先对实验图片设置一个ROI区域，对ROI区域内的图像进行特征点识别，以减少无关特征点的数量，同时提高图片的对比度，增加ROI区域提取出的特征点数量。

8.根据权利要求5所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：所述YOLOv8m‑seg模型参数包括，模型中的损失函数采用IOU，并且加入注意力机制，在模型训练时选择训练300轮，batch大小为4。

9.根据权利要求5所述的一种基于YOLOv8网络模型的粗粒土破碎颗粒追踪方法，其特征是：由于CVAT输出的标记文件为png格式，再将标注png文件通过代码转为json文件，再将json文件转为YOLOv8输入标记格式。