基于改进YOLO v8的轻量化玉米害虫识别方法  

Lightweight corn pest recognition method based on enhanced YOLO v8

作　　者：李志良 李梦霞 董勇[2] 李龙 Li Zhiliang

机构地区：[1]长江大学计算机科学学院,湖北荆州434000 [2]长江大学信息与数学学院,湖北荆州434000

出　　处：《江苏农业科学》2024年第14期196-206,共11页Jiangsu Agricultural Sciences

基　　金：国家自然科学基金(编号:62173049、62273060);湖北省教育厅科学研究计划资助项目(编号:D20211302)。

摘　　要：针对目前玉米害虫识别领域中识别算法参数量大、计算量大导致玉米害虫识别算法不能部署在移动智慧农业设备中及玉米害虫识别算法检测精度低等问题,基于网络复杂程度最小的YOLO v8n,提出一种轻量化玉米害虫识别算法YOLO v8n-ERM。首先,在骨干特征提取网络引入EfficientNet-B0轻量化网络,通过对神经网络模型进行缩放,采用深度可分离卷积,有效降低了模型参数量、计算量;在颈部网络中引入RepVGG结构重参数化模块,融合多分支特征以提升模型的检测精度,同时有效降低模型的计算量;最后,用MPDIoU损失函数替换原损失函数,使最终预测框更接近真实框。用本研究算法处理数据增强后的IP102数据集,结果表明,相较于基线模型YOLO v8n,YOLO v8n-ERM算法的参数量为2.4 M,计算量为3.7 GFLOPs,二者分别下降了0.6 M、4.4 GFLOPs,而且YOLO v8n-ERM算法的mAP@0.5、mAP@0.5∶0.95分别为91.8%、62.0%,相较于基线模型分别提升了3.6、2.1百分点,表明使用更少的参数量、计算量得到了更高的精度。另外在黑暗、有遮挡、个体重叠及害虫与环境背景相似的复杂环境下的处理结果表明,YOLO v8n-ERM算法能够准确识别出玉米害虫个体,极大降低了复杂环境下的漏检率,具有一定的鲁棒性,可为玉米病虫害的数字智能防控提供技术支持。

关 键 词：玉米害虫识别 YOLO v8 EfficientNet-B0 RepVGG MPDIoU 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术]