摘要
针对传统害虫检测模型中参数量庞大、计算复杂度高以及在移动设备上检测速度不理想的挑战,基于YOLO v8s提出了一种轻量化棉田害虫检测方法Star-YOLO。首先,通过引入轻量化网络StarNet替换YOLO v8原本的CSPDarknet53主干网络,利用星型运算有效降低了模型的参数量和计算量,并显著提高了检测速度;其次,结合StarNet中的星型模块构建Star-C2f模块优化YOLO v8的颈部网络,进一步降低模型的复杂度;同时,提出了一种轻量化的检测头ESCDH,通过共享卷积在分类和回归分支中共享参数,减少标准卷积的使用,实现模型轻量化的同时提升检测精度;最后,利用知识蒸馏技术对改进的模型进行微调,有效弥补了轻量化过程中的精度损失。在CottonInsect数据集上的研究结果显示,Star-YOLO的参数量和计算量仅分别为基础模型的35.1%和45.8%,模型权重仅有8.2 MB,检测速度提升了40.4帧/s,mAP@0.5高达93.2%,与基础模型相当,mAP@0.5:0.95仅损失1.7百分点。说明Star-YOLO在保持高检测精度的同时,显著优化了模型复杂度并加快了检测速率,为在资源受限的移动设备上高效部署棉田害虫检测模型提供了有力的技术支撑和实际应用价值。
出处
《江苏农业科学》
北大核心
2025年第20期253-261,共9页
Jiangsu Agricultural Sciences
基金
中国高校产学研创新基金-新一代信息技术创新项目(编号:2023IT269)
湖北省教育厅科学技术研究项目(编号:B2021052)。
