针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题,在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法.首先,采用Context Guided Block结构替换传统YOLO v8中C2f模块的Bottleneck结构,增强模型的上下文信息理解能力,压缩模型的权重;然后,使用深度可分离卷积代替传统YOLO v8中的标准卷积,以降低参数量、计算量;最后,将检测头重构为轻量级共享卷积检测头,以进一步降低参数量、计算量,并提高模型对多尺度虫害特征的定位和提取能力,使其能够更好地适应不同尺寸、复杂度的虫害状况.结果表明,相比于传统YOLO v8,YOLO v8-Rice算法在计算量、参数量方面分别减小70.5％、61.7％,模型的权重文件大小降低至1.94 MB,仅为YOLO v8n的32.4％,并且在平均精度上达到94.1％,与其他模型相比明显提高.该算法在水稻虫害检测方面的性能取得了显著提升.借助轻量化网络模型及优化模型的部署,使其更适合在移动设备或嵌入式设备中部署,可为实际农业场景中的水稻虫害检测提供更可行的解决方案,可以准确地检测定位和分类水稻虫害.
万方数据
维普
