针对葡萄叶片病害检测技术存在特征提取能力不足、精度不高、漏检等问题,以葡萄叶片3种病害为研究对象,提出一种基于YOLO v8s改进的检测模型.在主干网引入全局注意力机制,通过融合跨维度信息,增强主干特征提取能力.在主干网末端,引入动态蛇形卷积替换原算法的卷积网络,增强网络对几何变形的感知,以更高的精度捕获图像中复杂几何特征.在输出端改进边框位置回归损失函数,引入Focal-EIoU损失函数,平衡不同类别和不同质量的样本,提高边界框的回归精度.在输出端通过增加小目标检测头,提高算法对小目标的检测性能.结果表明,改进后的模型在mAP@0.5、mAP@0.5∶0.95分别达到90.9％、58.0％,相比YOLO v8s提高了 4.5、3.1百分点;FPS达到132.6帧/s,满足实时检测要求,并且与其他5种非基线代表性检测模型相比,具有更高的检测精度和速度,为葡萄病害检测提供了一种更优的方法,对于防治葡萄病害具有重要意义.
NETL
NSTL
万方数据
