自然场景下的轻量化番茄病害检测模型

作     者：嵇春梅 周鑫志 叶烨华 

作者机构：盐城工业职业技术学院信息与安全学院 江苏省外国专家工作室 南京农业大学人工智能学院 东南大学计算机科学工程学院 

出 版 物：《南京农业大学学报》 (Journal of Nanjing Agricultural University)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 09[农学] 080203[工学-机械设计及理论] 0904[农学-植物保护] 090401[农学-植物病理学] 0802[工学-机械工程] 090402[农学-农业昆虫与害虫防治] 

基　　金：江苏省科技厅苏北专项(SZ-YC202139) 江苏省科技厅引智项目(bx2021052) 科技部高端外国专家项目(G2022014063L) 科技部高端外国专家项目(G2022014116L) 

主　　题：番茄 病害检测 YOLOv8 GhostNetV2 Bi-FPN MDP WiseIoU 

摘      要：[目的]为解决自然场景下番茄病害检测中存在的挑战，如病害信息多样、尺度不同、叶片遮挡等，提出一种基于改进YOLOv8的轻量化模型。[方法]在主干网络中，使用GhostNetV2模块来代替部分C2f模块，抑制特征传输过程中的信息损失，同时显著减少模型参数量和计算复杂度。在颈部网络中，结合加权双向特征金字塔来改进YOLOv8的特征融合能力，通过提取融合多尺度特征，提升模型的检测准确率。提出一种多尺度特征感知模块，降低模型过拟合的风险，减小模型对相似特征的依赖性。引入WiseIoU损失作为边界框回归损失，结合动态非单调聚焦机制，利用异常值信息对模型预测结果进行评估，从而提高网络的整体性能。[结果]改进YOLOv8能够准确识别绝大多数常见的番茄病害，平均准确率为98.17%，检测速度达到155 帧/秒，明显优于YOLOv5、Faster RCNN、SSD、RetinaNet、CenterNet以及基线YOLOv8六种对比算法。[结论]所提改进YOLOv8在准确性和实时性方面具有明显优势，嵌入式平台上的进一步试验结果表明，改进YOLOv8在计算资源受限的条件下，仍能实现较为准确的实时检测。