摘要
针对自然条件下草莓病害检测难度大、人工检测效率低下、传统计算机检测方式步骤繁琐、检测精度差以及模型的参数量与计算量大的问题,构建一种基于改进YOLO v8的草莓病害检测模型.该模型使用Slim-Neck结构代替原YOLO v8网络的颈部(Neck)结构以降低深度可分离卷积特征提取和融合能力差的缺陷对模型造成的负面影响,在降低模型参数量和计算量的同时不会损失检测的准确度,并且该结构能使模型更好地应用于复杂的草莓种植环境.模型还引入了通道注意力和空间注意力机制(CBAM)以提高病害特征的提取能力同时忽略图片中不相关的信息.最后模型将YOLO v8中的边界框损失函数替换为MPDIoU以提升检测和目标定位的能力.结果表明,本模型在一个含有7类草莓病害的开源数据集可以实现96.5％的平均精度(mAP),同时仅有2.9 M参数量和7.4 GFLOPs值,相比于原始YOLO v8n、YOLO v7-tiny、YOLO v6n和YOLO v5s模型的mAP分别提升1.2、1.9、3.7和2.5百分点.改进后的模型具有更高的检测精度和更小的参数量与计算量,可为实际草莓种植环境下的病害检测提供参考.
维普
万方数据