基于改进YOLO v8s的葡萄叶片病害检测  

Detection of grape leaf disease based on improved YOLO v8s

作　　者：张立强 武玲梅 蒋林利[1] 黄鸿柳[1,2] Zhang Liqiang

机构地区：[1]广西科技师范学院人工智能学院,广西来宾546199 [2]南京师范大学计算机与电子信息学院/人工智能学院,江苏南京210023

出　　处：《江苏农业科学》2024年第21期221-228,共8页Jiangsu Agricultural Sciences

基　　金：国家自然科学基金(编号:42065004);广西高校中青年教师科研基础能力提升项目(编号:2023KY0884);广西创新驱动发展专项(科技重大专项)(编号:桂科AA21077018)。

摘　　要：针对葡萄叶片病害检测技术存在特征提取能力不足、精度不高、漏检等问题,以葡萄叶片3种病害为研究对象,提出一种基于YOLO v8s改进的检测模型。在主干网引入全局注意力机制,通过融合跨维度信息,增强主干特征提取能力。在主干网末端,引入动态蛇形卷积替换原算法的卷积网络,增强网络对几何变形的感知,以更高的精度捕获图像中复杂几何特征。在输出端改进边框位置回归损失函数,引入Focal-EIoU损失函数,平衡不同类别和不同质量的样本,提高边界框的回归精度。在输出端通过增加小目标检测头,提高算法对小目标的检测性能。结果表明,改进后的模型在mAP@0.5、mAP@0.5∶0.95分别达到90.9%、58.0%,相比YOLO v8s提高了4.5、3.1百分点;FPS达到132.6帧/s,满足实时检测要求,并且与其他5种非基线代表性检测模型相比,具有更高的检测精度和速度,为葡萄病害检测提供了一种更优的方法,对于防治葡萄病害具有重要意义。

关 键 词：葡萄病害 YOLO v8 注意力机制 动态蛇形卷积 小目标检测 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]