1.一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：步骤如

下，

S1.获取粗粒土破碎颗粒实验视频；

S2.采用差值的方法在粗粒土破碎颗粒视频中找到多帧不同图像作为原始数据集，对原始数据集进行标记，然后对标记前后再进行数据增强；

S3.将S2中经过标记并进行数据增强的图像进行格式转换；

S4.将S3中转换过格式的文件和S2中经过数据增强后并未标记的图片制作成为数据集；

S5.优化YOLOv8模型，将YOLOv8内的内置损失函数进更改为EIOU损失函数，并在YOLOv8模型内添加注意力机制；

S6.将制作好的数据集输入至优化后的YOLOv8模型中进行训练，得到训练后的预测模型；

S7.优化strongsort算法，将strongsort内中的卡尔曼滤波预测框形状进行优化，再进行多目标追踪，在多目标追踪过程中添加破碎追踪机制；

S8.对实验视频进行多目标追踪，获取追踪数据，最终输出运动轨迹；

S9.通过S8中获得的运动轨迹坐标轴进行转换，将获取到的追踪数据从像素坐标转为实际坐标，计算得到粗粒土实际的颗粒位移与破碎颗粒情况。

2.根据权利要求1所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S2中，通过差值的方法，选择拍摄到的实验视频内每隔几帧选一张图片作为原始数据集，不同帧的图像使用CVAT中的AI标记功能进行标记，将原始数据集的图像与标记后图像进行旋转

90°、180°、270°以及左右上下翻转等数据增强操作。

3.根据权利要求1或2所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S3中，将数据增强操作过后的数据集进行格式转换，将CVAT输出格式转为YOLOv8输入格式。

4.根据权利要求1所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S4中，将S2中得到的数据增强过后并未标记的图片与S3中转换过格式的标记文件通过7：2：1的比例分为训练集、测试集、验证集三个部分。

5.根据权利要求1所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S5中，在YOLOv8的backbone部分中的SPPF模块上方添加CBAM注意力机制模块，YOLOv8模型优化完成。

6.根据权利要求1所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S6中，将S4中制作的数据集输入至S5中优化后的YOLOv8训练模型中进行训练，得到训练后的预测模型。

7.根据权利要求1或2或4或5所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S7中，将strongsort中卡尔曼滤波进行优化，将卡尔曼滤波的矩形识别框改为多边形识别框后进行多目标追踪。

8.根据权利要求7所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S7中，在strongsort中的匹配过程添加破碎匹配，通过获取形态特征的方式对粗粒土破碎颗粒进行溯源，并且进行匹配，再加入欧式距离作为阈值。

9.根据权利要求1或2或4或5或8所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：S8中，先通过S6中的训练模型进行图像分割，再通过S7修改过后的strongsort模型对粗粒土破碎颗粒视频进行多目标追踪，最终输出运动轨迹，追踪结果通过数据的形式输出成文件进行保存。

10.根据权利要求8所述的一种基于改进YOLOv8的粗粒土破碎检测方法，其特征是：通过strongsort获取粗粒土的图像特征，提取出粗粒土颗粒表面的外观特征，再通过下一帧图像中的图像特征进行匹配，如果出现粗粒土颗粒破碎情况，则可通过图像特征对破碎的粗粒土进行溯源，并且根据欧式距离添加一个阈值，提高溯源的准确度，粗粒土每破碎一次，则其ID就增加一个维度。