首页 > 分享 > 基于改进YOLOv8的小麦叶片病虫害检测轻量化模型（《智慧农业（中英文）》2024年第1期）

基于改进YOLOv8的小麦叶片病虫害检测轻量化模型（《智慧农业（中英文）》2024年第1期）

花匠小妙招
2024-11-09 06:17

　　引用格式

　　引用格式：杨锋, 姚晓通. 基于改进YOLOv8的小麦叶片病虫害检测轻量化模型[J]. 智慧农业(中英文), 2024, 6(1): 147-157. DOI：10.12133/j.smartag.SA202309010

　　YANG Feng, YAO Xiaotong. Lightweighted Wheat Leaf Diseases and Pests Detection Model Based on Improved YOLOv8[J]. Smart Agriculture, 2024, 6(1): 147-157. DOI：10.12133/j.smartag.SA202309010

　　基于改进YOLOv8的小麦叶片病虫害检测轻量化模型

　　杨锋，姚晓通*

　　（兰州交通大学电子与信息工程学院，甘肃兰州 730070，中国）

　　摘要：

　　［目的/意义］针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点，提出一种高质量高效的病虫害检测模型，即YOLOv8⁃SS（You Only Look Once Version 8-SS），为病虫害的预防与科学化治理提供准确的依据。

　　［方法］基于YOLOv8算法，采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S，在保持检测精度的同时，减少模型的参数数量和计算负载；在此基础上增加小目标检测层和注意力机制SEnet（Squeeze and Excitation Network），对YOLOv8-S进行改进，在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度，提出YOLOv8-SS小麦叶片病虫害检测模型。

　　［结果与讨论］ YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%，对比原模型分别提高10.11%和7.42%。因此，本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性，并增强模型对小目标图像特征的提取能力，从而高效准确地进行病虫害的检测和识别。

　　［结论］本研究使用的方法具有广泛适用性，可应用于大规模农作物病虫害检测的实际场景中。

　　关键词：小麦叶片；病虫害检测；ShuffleNet V2；YOLOv8；轻量化模型

　　图1　小麦病虫害图像

　　Fig. 1 Images of wheat diseases and pests

　　图2　SEnet注意力机制模块结构

　　Fig. 2 Modular structure of SEnet attention mechanism

　　图3　ShuffleNet V2网络改进流程图

　　Fig. 3 Improvement flow chart of ShuffleNet V2 network

　　图4　小麦叶片病虫害检测模型框架

　　Fig. 4 Frame of wheat leaf disease and insect pest detection model

　　图5　YOLOv8-SS网络架构图

　　Fig. 5 Architecture diagram of YOLOv8-SS network

　　图6　小麦叶片病虫害检测模型YOLOv8-SS流程图

　　Fig. 6 Flow chart of wheat leaf disease and insect pest detection model YOLOv8-SS

　　图7　小麦叶片各类病虫害检测结果

　　Fig.7 Detection results of various diseases and pests of wheat leaves

　　图8　数据集标注文件统计并可视化图

　　Fig. 8 Dataset annotation file statistics and visualization

　　作者简介

　　姚晓通副教授

　　姚晓通，副教授，硕士生导师。主要从事物联网与智能测控、机器人与视觉控制、大数据与人工智能等方向的教学科研工作。致力于人工智能技术的“产、学、研、用”。实现成果转化30多项，主持课题10余项，发表学术论文20余篇，专利25项。获得甘肃省科技进步奖三等奖，甘肃省教学成果奖省级一等奖、二等奖、教育厅级奖，全国实验教学案例设计竞赛全国一等奖、三等奖，自研设备获全国高校自制实验仪器设备评选三等奖，甘肃省教育厅优秀指导老师称号，兰州交通大学实验教改项目一等奖，实验教学优秀奖，研究生优秀任课教师，教书育人奖。

　　来源：《智慧农业（中英文）》2024年第1期

　　（转自：智慧农业期刊）

特别声明：以上文章内容仅代表作者本人观点，不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。