摘要
水稻病虫害检测是农业领域的重要任务,但传统人工方法和现有机器学习模型在效率与准确性方面存在局限。为解决这些问题,提出基于改进YOLO v8算法的高效检测模型YOLO v8-MobileNet v4-CA。该模型采用轻量级网络MobileNet v4替代原始骨干网络,将参数量从37.223 M降低到6.596 M,减少了约82.3%;同时,计算复杂度显著降低,模型在相同硬件条件下推理速度提升了约1.5倍;结合坐标注意力机制(CA)强化关键特征提取能力,并通过SIoU损失函数优化目标定位精度,实现性能与效率的同步提升。研究基于包含3 500张标注精确的水稻病虫害图像数据集,涵盖3种主要病害和3种常见虫害。通过Makesense AI平台进行数据标注,并采用几何变换与内容转换的离线增强技术提升模型的鲁棒性与泛化能力。在模型设计中,CA模块集成于Neck部分,随机梯度下降(SGD)优化算法确保训练效率与稳定性。结果表明,YOLO v8-MobileNet v4-CA模型在测试集上的准确率为92.3%,mAP@0.5为93.7%,F1分数为91%,在GeForce RTX 3060 Ti GPU上FPS达到78.13帧/s,在检测精度、效率及资源消耗方面均优于原始YOLO v8及其改进版本(如YOLO v8-MobileNet v4、YOLO v8-shuffleNet v2等),尤其在复杂背景和多目标场景中,该模型表现出卓越的检测能力,适用于资源受限的移动设备部署。综上,YOLO v8-MobileNet v4-CA模型为水稻病虫害检测提供了一种低成本、高精度的技术解决方案,其显著提升的性能与效率,为农业病虫害智能检测和作物保护提供了重要技术支持,有助于推动农业可持续发展。
出处
《江苏农业科学》
北大核心
2025年第20期232-242,共11页
Jiangsu Agricultural Sciences
基金
国家自然科学基金(编号:62077018)。
