引用格式：张荣华, 白雪, 樊江川. 复杂场景下害虫目标检测算法:YOLOv8-Extend[J]. 智慧农业(中英文), 2024, 6(2): 49-61.
DOI：10.12133/j.smartag.SA202311007
Citation:ZHANG Ronghua, BAI Xue, FAN Jiangchuan. Crop Pest Target Detection Algorithm in Complex Scenes:YOLOv8-Extend[J]. Smart Agriculture, 2024, 6(2): 49-61.
DOI：10.12133/j.smartag.SA202311007
官网全文免费阅读
知网阅读
复杂场景下害虫目标检测算法：
YOLOv8-Extend
张荣华1， 白雪1， 樊江川2，3*
（1.京航创智（北京）科技有限公司，北京 102404，中国；2.国家农业信息化工程技术研究中心，北京 100097，中国；3.数字植物北京市重点实验室，北京 100097，中国）
摘要：
［目的/意义］实现复杂的自然环境下农作物害虫的识别检测，改变当前农业生产过程中依赖于专家人工感官识别判定的现状，提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作物拟态、检测准确率低、算法推理速度慢等问题，本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目标检测算法。
［方法］首先通过引入GSConv提高模型的感受野，部分Conv更换为轻量化的幻影卷积（Ghost Convolution），采用HorBlock捕捉更长期的特征依赖关系，Concat更换为BiFPN（Bi-directional Feature Pyramid Network）更加丰富的特征融合，使用VoVGSCSP模块提升微小目标检测，同时引入CBAM（Convolutional Block Attention Module）注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本，提高网络模型的泛化能力和整体性能。之后，对改进后的YOLOv8-Extend模型与YOLOv8原模型、YOLOv5、YOLOv8-GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比，验证模型检测准确度和精度。最后将模型移植到边缘设备进行推理验证，在实际应用场景中验证模型的有效性。
［结果和讨论］YOLOv8-Extend在对比实验中均取得良好的表现，其中与原模型对比实验中，精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、2.4%和7.2%，表现突出，具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比，mAP@0.5提升4.6%，达到57.6 FPS，满足实时性检测要求。在复杂农业场景中YOLOv8-Extend模型具有更好的适应性，在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优势，在困难数据检测方面准确率提高了11.9%。
［结论］本研究提出的YOLOv8改进模型有效提高了检测精度和识别率同时保持了较高的运行效率，能够部署在边缘终端计算设备上实现农作物害虫的实时检测，也为其他小目标智能检测和模型结构优化提供参考和帮助。
关键词： YOLOv8；害虫检测；注意力机制；边缘计算；CBAM；BiFPN；VoVGSCSP；GSConv
文章图片
图1 虫害图像数据样本
Fig. 1 Samples of insect pest image data
图2 YOLOv8-Extend网络结构
Fig. 2 Network architecture of YOLOv8-Extend
图3 GSConv模块结构
Fig. 3 GSConv module structure
图4 GhostConv模块结构
Fig. 4 Module structure of GhostConv
图5 HorBlock模块结构
Fig. 5 Module structure of HorBlock
图6 BiFPN模块结构
Fig. 6 Module structure of BiFPN
图7 C2f与VoVGSCSP网络结构
Fig. 7 Network architectures of C2f and VoVGSCSP
图8 YOLOv8-Extend模型训练评估结果
Fig. 8 Evaluation results of YOLOv8-Extend model training
图9 YOLOv8-Extend模型训练PR曲线
Fig. 9 PR training curve of YOLOv8-Extend model
图10 YOLOv8模型改进前后特征热力图对比
Fig. 10 Comparison of feature heat maps before and after the improvement of the YOLOv8 model
图11 YOLOv8n-Extend模型训练消融实验评估指标
Fig. 11 Evaluation metrics for the YOLOv8n-Extend model training ablation experiment
图12 YOLOv8模型改进前后不同阶段特征热力图
Fig. 12 Heat maps of different stages of YOLOv8 model before and after improvement
图13 YOLOv8模型改进前后实采数据检测结果
Fig. 13 Real data detection results before and after improvement of YOLOv8 model
樊江川 副研究员
樊江川，博士，北京市农林科学院信息技术研究中心副研究员，担任IETI智慧农业专委会委员、国家智能农业机器人科技创新联盟咨询专家以及 《Plant Phenomics》青年编委等社会兼职。主要从事植物表型大数据获取解析技术研究及表型装备研发等工作，在作物表型信息智能解析、多传感器集成、多源数据融合等方面具有丰富的研究和开发经验。近年来，主持省部级以上课题5项、院级课题2项；入选2021年北京市科技新星计划，获得日内瓦国际发明展银奖1项、神农中华农业科技奖二等奖1项、安徽省科技进步奖三等奖1项；发表论文39篇，其中以一作在Research (IF: 11) 、JCLP (IF: 11.072)等期刊发表SCI论文11篇；参编《玉米数字化可视化技术》学术专著1部；获软件著作权19项；授权国家发明专利19项，实用新型专利29项；主持研发了高通量三维激光扫描成像表型测量系统、轨道式植物表型高通量获取平台、植物表型检测机器人、自走式无人车表型平台等系列表型软硬件产品，表型设备在全国累计推广销售40余套，合同额超过2000万元。
张荣华 CEO
张荣华，硕士，京航创智（北京）科技有限公司创始人、CEO，主要从事机器视觉与激光点云深度学习检测算法及智能无人系统装备的研发工作，在植物表型解析、视觉与点云多模态融合感知、倾斜摄影测量、地图构建与即时定位、智能无人装备等方面有丰富的研发经验。近年来，已发表论文3篇；获软件著作权2项；授权专利2项；2023年开发的焦化智能无人机车系统，申请发明专利4项，被中国金属学会鉴定评价为极寒、大温差机车高精度定位技术达到国际领先水平；主持研发的工业级无人机系统、倾斜摄影相机、无人机三维激光扫描仪、障碍物检测软件和点云视觉融合检测软件等累计推广应用超200套。
来源：《智慧农业（中英文）》2024年第2期
转载请联系编辑部授权
本期支持单位
淄博数字农业农村研究院
推荐阅读
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
