针对真实场景下复杂的茶叶病害特征检测准确率低、误检率和漏检率高,以及难以进行移动设备上部署等问题,提出一种基于YOLO v8-Tea的茶叶病害检测算法.该算法是在YOLO v8的基础上做的改进,首先,替换了 C2f中的Bottleneck,采用FasterBlock来减少参数量和计算量.同时,引入了多尺度注意力EMA模块,以增强全局上下文信息的获取.最后,采用BiFPN模块,以更好地融合多尺度特征,并改进了颈部网络,以提高检测精度.结果表明,YOLO v8-Tea算法在平均精度方面比传统YOLO v8n提高了 5.7百分点,从而能更准确地检测复杂的茶叶病害特征.与此同时,模型的参数量和计算量分别减少了 47.9％和28.4％,模型的权重文件的大小减小了 45.2％,仅为3.4 M.YOLO vs-Tea算法的平均精度比经典的YOLO系列算法中的YOLO v4-tiny、YOLO v5n、YOLO v6n、YOLO v7-tiny分别提高24.6、6.8、5.5、2.5百分点.这些改进使得本研究算法更适合茶叶病害检测任务以及在移动设备中的高效部署.该算法在茶叶病害检测方面取得了显著的性能提升.通过降低参数量和计算量以及优化模型的部署,为实际农业场景中的茶叶病害检测提供了一个更可行的解决方案,为茶叶产业提供了有前景的技术,可以提高茶叶病害检测的效率和准确性.
万方数据
维普
