摘要
针对大豆叶片病害在复杂环境下存在背景干扰难以准确识别的问题,提出一种基于改进YOLO v8n目标检测模型YOLO-FBA。在Backbone端引入FasterNet模型主干,减少数据特征的冗余,有效提升模型的病害特征提取能力。在Neck端引入并重新设计BiFPN特征融合网络,显著降低模型的参数量和计算量。最后在BiFPN基础上引入语义与细节注入模块(SDI),并设计自适应多尺度融合模块(AMI)改进特征融合方式,以增强模型表征能力。结果表明,相较于基线模型YOLO v8n,改进后模型的参数量为2.77 M,计算量为7.6 GFLOPs,两者分别下降10.1%、6.2%;在mAP@0.5方面,相较于基线模型提升2.0百分点;与YOLO v3、YOLO v5、YOLO v6、YOLO v7、YOLO v8n目标检测算法相比,YOLO-FBA的mAP@0.5分别提高10.3、3.5、1.7、2.4、2.0百分点。本研究提出的大豆叶片病害识别方法在使用更少的参数和计算量的情况下达到了更高的精度,可为复杂环境下的大豆叶片病害检测提供更可行的解决方案,并为真实田间环境下大豆叶片病害检测系统的开发奠定基础。
出处
《江苏农业科学》
北大核心
2025年第20期315-324,共10页
Jiangsu Agricultural Sciences
基金
国家自然科学基金面上项目(编号:62077018)。
