摘要
针对番茄叶的各类病斑难以区分、识别效率低等问题,提出一种基于YOLO v8s网络改进的病害检测算法BKW-YOLO v8s.首先,将主干网络中的Conv和C2f分别用KWConv和重新设计的C2f_KW模块代替,将KernelWarehouse卷积模块与主干网络原有的Bottleneck结构相融合,提高了模型的计算效率.其次,为了有效地提升神经网络表征能力,引入将通道层次与空间层次并联且加权融合的BAM注意力机制,使模型在不同的图像上都能取得良好的效果,更具有适应性.最后对模型的损失函数进行优化,使模型能更加准确地处理不同目标之间的差异,从而获得分类性能的提升.通过在番茄叶病害数据集上进行试验,结果表明,改进后的BKW-YOLO v8s算法与传统的YOLO v8s相比,准确率提升了 2.8百分点、召回率提升了 3.0百分点、mAP@50提升了 2.8百分点、达到92.0％,且计算量降低了 33％.本研究改进后的模型在番茄叶片图像的病害检测方面具有更高的准确度和稳定性,不仅能够更准确地定位和识别目标,而且有效地降低了漏检和误检率.本研究所提方法不仅优化了资源利用效率,也为番茄叶病害的检测提供了有力的技术支持,对未来提高番茄生产率具有重要意义.
基金项目
国家科技重大专项(2021DJ1006)
新疆自治区创新人才建设专项自然科学计划(2020D01A132)
维普
万方数据