基于YOLOv8-FECA的密集场景下小麦赤霉病孢子目标检测

作     者：张东彦 高玥 程涛 胡根生 杨雪 乔红波 郭伟 谷春艳 

作者机构：西北农林科技大学机械与电子工程学院 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心 安徽省农业科学院植物保护与农产品质量安全研究所 河南农业大学信息与管理科学学院 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 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：国家自然基金面上项目(42271364) 河南省重点研发专项(241111110800) 安徽省农业科技成果转化应用专项(2024ZH004) 

主　　题：小麦赤霉病 孢子 密集场景 小目标检测 YOLOv8 显微图像 

摘      要：针对小麦赤霉病孢子图像中密集分布小目标的漏检错检问题，该研究设计了一种针对该场景下小目标检测模型YOLOv8-FECA。以YOLOv8为基准模型，先添加新的小目标检测层，以此增强网络对更小目标语义信息的捕捉以及提高其特征描述的准确性；其次，构建融合特征的焦点注意力机制（focal efficient channel attention module,FECA）以实现对小目标和密集分布目标的关注；再次，引入Wise-IoU Loss与DFL Loss结合作为边界框的回归损失，提高模型的收敛能力以及对边界框预测的准确性；最后，在不同密集场景和不同光线环境下验证了模型的鲁棒性。结果表明，优化后模型YOLOv8-FECA相比YOLOv8在孢子数据集中的平均检测精度均值m AP@0.5提高了4.3%，达到96.8%，且改进模型的检测效率也达到实时检测要求。该研究设计的YOLOv8-FECA网络模型在保持高性能的同时能够有效提升密集场景小目标检测的精度，为其他作物病害孢子的检测提供了新思路。