摘要
针对现有玉米病害程度检测存在准确率低、模型参数量和计算量较大、难以在资源受限的农业设备和移动设备部署等问题,基于YOLO v8s提出了一种玉米病害程度检测模型CFMS-YOLO v8s。首先,在主干网络中,为同时提升模型的全局与局部细节信息提取能力,融合MHSA多头自注意力机制、CGLU卷积门控线性单元和DEconv细节增强卷积提出CSP-PTDB模块,替换第6、8层的C2f模块,为增强模型的多尺度特征与细颗粒度提取能力提出FPSC模块,使用膨胀率不同的共享卷积对多尺度特征进行提取,替换SPPF模块;其次,在特征融合网络中提出了MS-FPN特征融合网络,该网络先使用MLCA注意力机制对特征进行选择再以自顶向下的方式进行特征融合,增强了不同尺度特征的融合程度;最后,在检测头网络中引入ScConv轻量化卷积共享参数降低模型的参数量与计算量。试验结果表明,改进后的CFMS-YOLO v8s模型,在玉米病害程度测试集上的平均精确率为92.9%、召回率为92.9%、F1分数为92.8%,较原模型分别提升了1.3、1.2、1.2百分点,模型的参数量为5.0 M、计算量为14.5 G,较原模型分别降低了52.8%、49.1%。本研究提出的玉米病害程度检测模型不仅提高了检测的精度,而且降低了模型的参数量和计算量,使模型在检测精度与轻量化之间取得了更好的平衡。
出处
《江苏农业科学》
北大核心
2025年第20期296-307,共12页
Jiangsu Agricultural Sciences
基金
国家自然科学基金(编号:U19A2061)
吉林省发改委项目(编号:2021C044-8)。
