YOLOv8s-CGF:一种用于小麦耳的轻量级模型 Fusarium 头部炎症检测器
Chengkai Yang1, Xiaoyun Sun1, Jian Wang1
1College of Information and Management Science, Henan Agricultural University, Zhengzhou, Henan, China.
PeerJ. Computer science
|April 25, 2024
概括
一个新的轻量级YOLOv8s模型 (YOLOv8s-CGF) 显著降低了在小麦中检测Fusarium头病的尺寸和计算. 这种移动友好的方法保持了高精度,有助于快速的现场部署和改进的作物产量管理.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 虫头炎 (Fusarium head blight,FHB) 对小麦生产构成重大威胁,需要有效的检测方法.
- 现有的检测模型通常需要大量的计算资源,限制它们在移动设备上的应用以实时现场使用.
- 快速而准确的FHB检测对于及时干预和缓解策略至关重要,以保护小麦产量.
研究的目的:
- 开发一种适合移动部署的轻量级和高效的Fusarium头部灯光检测模型.
- 通过优化深度学习方法,提高小麦FHB的检测准确度和速度.
- 为现场FHB监控和管理提供实用解决方案.
主要方法:
- 提出了改进的YOLOv8s架构 (YOLOv8s-CGF),结合了C-FasterNet模块来取代C2f模块.
- 在骨干网络中使用GhostConv来进一步降低模型参数和计算负载.
- 实施了焦点CIOU损失函数以解决样本不平衡,并且为了减轻重量,删除了大型目标检测头.
主要成果:
- 改进的YOLOv8s-CGF模型实现了11.7M (52.0%的原始YOLOv8s) 的尺寸和5.7 × 10^6参数 (51.4%).
- 计算量减少到21.1 GFLOP (74.3%的原始YOLOv8s),mAP@0.5达到99.492%和mAP@0.5:0.95提高了0.269%.
- 这款轻型车型与其他YOLO车型相比,显示出更高的精度和效率,非常适合移动应用.
结论:
- 拟议的YOLOv8s-CGF模型提供了一种高效和计算效率的解决方案,用于检测小麦中的Fusarium头炎.
- 它的轻量级设计有利于在移动终端上部署,使得快速的现场疾病检测成为可能.
- 这项研究为通过先进,可访问的疾病监测技术改善小麦产量管理提供了宝贵的工具.
