针对水稻病害检测精度低、易发生漏检和误检等问题,提出了改进YOLO第8常规版(you only look once version 8 normal,YOLOv8n)水稻叶片病害识别检测方法。以原始YOLOv8n算法为基准,在主干网络中使用下采样操作卷积(a convolutional block...针对水稻病害检测精度低、易发生漏检和误检等问题,提出了改进YOLO第8常规版(you only look once version 8 normal,YOLOv8n)水稻叶片病害识别检测方法。以原始YOLOv8n算法为基准,在主干网络中使用下采样操作卷积(a convolutional block for down-sampling,ADown)模块,减少特征信息的丢失,并在主干网络与颈部网络之间引入基于挤压-激励(squeeze-and-excitation,SE)的注意力机制模块,提高网络的特征融合能力;同时,设计出共享参数检测头,增加检测任务的感受野;此外,使用顺序证据加权插值算法的交并比(weighted interpolation of sequential evidence for intersection over union,WIoU)损失函数,进一步提升网络的检测性能。在水稻病害数据集上进行大量实验,结果表明,与原始YOLOv8n算法相比,改进YOLOv8n算法的精确率和平均精确率均值分别提升了6.59%和6.86%;改进YOLOv8n算法能够满足水稻叶片病害识别对速度及检测精度的需求,同时提高了对小目标和密集目标的检测能力,从而减少了漏检和误检的情况。改进YOLOv8n算法与目前主流算法相比在检测速度和精度上具有一定优势,检测速度是YOLO第7版(YOLO version 7,YOLOv7)算法的3.61倍,平均精确率均值提高了8.63%。该研究能够为水稻智能化种植管理提供一定的参考。展开更多
文摘针对水稻病害检测精度低、易发生漏检和误检等问题,提出了改进YOLO第8常规版(you only look once version 8 normal,YOLOv8n)水稻叶片病害识别检测方法。以原始YOLOv8n算法为基准,在主干网络中使用下采样操作卷积(a convolutional block for down-sampling,ADown)模块,减少特征信息的丢失,并在主干网络与颈部网络之间引入基于挤压-激励(squeeze-and-excitation,SE)的注意力机制模块,提高网络的特征融合能力;同时,设计出共享参数检测头,增加检测任务的感受野;此外,使用顺序证据加权插值算法的交并比(weighted interpolation of sequential evidence for intersection over union,WIoU)损失函数,进一步提升网络的检测性能。在水稻病害数据集上进行大量实验,结果表明,与原始YOLOv8n算法相比,改进YOLOv8n算法的精确率和平均精确率均值分别提升了6.59%和6.86%;改进YOLOv8n算法能够满足水稻叶片病害识别对速度及检测精度的需求,同时提高了对小目标和密集目标的检测能力,从而减少了漏检和误检的情况。改进YOLOv8n算法与目前主流算法相比在检测速度和精度上具有一定优势,检测速度是YOLO第7版(YOLO version 7,YOLOv7)算法的3.61倍,平均精确率均值提高了8.63%。该研究能够为水稻智能化种植管理提供一定的参考。
