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
官网全文免费阅读
知网阅读
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
文章图片
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
来源：《智慧农业（中英文）》2024年第1期
转载请联系编辑部授权
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。
