实时监测稻田害虫泛滥情况是预防水稻产量降低的重要手段之一.针对当前的目标检测算法在实际稻田环境下检测精度较低且模型计算量较大、难以实现实时检测等问题,提出一种基于YOLO v8的改进的水稻害虫识别算法YOLO v8-SDPS.首先在主干网络中用SD_Conv卷积替代标准卷积,重构特征提取模块,在降低参数量的同时尽可能保留害虫目标的边缘特征信息,提升对害虫目标的特征提取能力;其次在颈部引入基于Slim-Neck范式的GSConv模块和VoV-GSCSP模块,在减少模型计算量的同时提升模型的检测精度;最后在SPPF层前引入PSA注意力模块,降低背景的噪声干扰,使模型更加关注个体的空间位置信息.用本研究提出的算法在经数据增强后的自建水稻害虫数据集上进行试验,结果表明,YOLO v8-SDPS获得86.6％的平均检测精度,相较于原始YOLO v8n模型提升4.1百分点.同时改进后的模型参数量为2.62 M,计算量为7.5 GFLOPs,相较于基准模型分别降低16.8％和15.7％,实现了模型轻量化和较高检测精度的平衡.在害虫小且密集、背景干扰严重、光照强烈等复杂环境下,YOLO v8-SDPS均能较好地识别出目标个体,有效地降低漏检率和误检率,具有较好的鲁棒性,可为稻田实时巡检提供有效技术支持.
万方数据
维普
