基于改良 YOLOv8 的轻量化小麦病害检测方法

简介：
本研究提出了一种改进版YOLOv8模型，用于开发高效的小麦病害识别系统。通过优化算法和参数调整，实现了准确、快速的小麦病变自动检测，为农业监测提供有力工具。 为了提高小麦病害检测的精度并方便快速地部署到移动端设备上，本段落提出了一种基于改进YOLOv8的小麦病害轻量化检测方法。 首先，在模型结构中使用PP-LCNet代替原有的骨干网络，并引入深度可分离卷积（DepthSepConv）来减少参数量同时提升性能。其次，在颈部网络部分添加了全局注意力机制模块，以增强特征中的语义和位置信息的捕捉能力，从而提高模型在融合不同层次的信息时的表现。 然后，我们进一步加入轻量化通用上采样内容感知重组(CARAFE)模块，这有助于改善模型提取关键特征的能力。最后，在损失函数方面采用了Wise-IoU边界损失函数来替代原有的损失函数，以优化网络的边界框回归性能，并提高对小目标病害检测的效果。 实验结果表明，与原始YOLOv8相比，改进后的模型在参数量和大小上分别减少了12.5%和11.3%，同时其精确度(Precision)和平均精度均值(mAP)也有所提升。这些变化不仅使得该方法能够在资源受限的环境中高效运行，并且保持了较高的检测性能。 综上所述，本段落提出了一种改进YOLOv8的小麦病害轻量化检测方案，在优化模型结构、引入注意力机制及特征重组模块和边界损失函数等多个方面进行了创新性研究。这种技术不仅可以帮助农民及时发现小麦病害问题，也为智能农业的发展提供了强有力的技术支持。未来的研究可以进一步探索数据增强策略以提高不同环境下的泛化能力。