一种基于YOLOv8的改进方法,用于在自然背景下检测黄瓜叶上的害虫和疾病
Jiacong Xie1, Xingliu Xie1,2, Wu Xie1
1Guangxi Key Laboratory of Trusted Software, Guilin University of Electronic Technology, Guilin 541004, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这项研究介绍了SEDCN-YOLOv8,这是一个改进的深度学习模型,用于准确检测黄瓜害虫和疾病. 该模型增强了特征识别,并实现了卓越的准确性,满足了实时检测需求.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确检测黄瓜叶害虫和疾病对于有效的科学控制至关重要.
- 现有的模型在复杂的自然环境中难以达到检测准确度.
研究的目的:
- 开发一个改进的深度学习模型,SEDCN-YOLOv8,用于增强黄瓜害虫和疾病检测.
- 解决当前模型在各种自然背景中的准确性方面的局限性.
主要方法:
- 将可变形卷积网络版本2 (DCNv2) 纳入骨干特征提取网络中.
- 在检测头中集成了一个分离和增强注意力模块 (SEAM).
- 用Focaler-SIOU损失函数取代了原来的CIOU损失函数.
主要成果:
- SEDCN-YOLOv8实现了75.1% (mAP50) 和53.1% (mAP50-95) 的平均精度 (mAP).
- 与原来的YOLOv8型号相比,分别显示了1.8%和1.5%的改进.
- 实现了6MB的模型大小和每秒400的检测速度.
结论:
- 该SEDCN-YOLOv8模型为黄瓜害虫和疾病提供了卓越的检测准确性和概括能力.
- 该模型符合实时检测的工业部署要求.
- SEDCN-YOLOv8显示了对大规模,现实世界的黄瓜叶害虫和疾病检测场景的广泛适用性.
