本研究提出了一种改进的YOLOv8模型(FCU-YOLOv8),用于提升水稻病害检测的精度和效率,以应对水稻病害种类繁多、背景复杂及病害间特征差异小等问题.在YOLOv8主干网络的C2f模块基础上,采用了FasterNeXt模块替换.FasterNeXt模块通过优化网...本研究提出了一种改进的YOLOv8模型(FCU-YOLOv8),用于提升水稻病害检测的精度和效率,以应对水稻病害种类繁多、背景复杂及病害间特征差异小等问题.在YOLOv8主干网络的C2f模块基础上,采用了FasterNeXt模块替换.FasterNeXt模块通过优化网络结构减少了计算量和内存访问量,同时提高了特征提取的效率,从而降低模型的推理成本.设计了C3K模块(多尺度卷积模块)和CPSA模块(卷积注意力机制),以进一步提升模型对病害区域的特征感知能力.C3K模块允许模型通过灵活的卷积核选择适应不同尺度的病害特征,而CPSA模块利用注意力机制增强模型对关键信息的捕捉.为了提升检测框的质量和对密集病害目标的检测效果,模型采用了优化的UIoU(unified intersection over union)损失函数,该函数在回归阶段通过平衡边界框的精确性与一致性来提升检测性能.在自制的8种常见水稻病害图像数据集上,FCU-YOLOv8在多个性能指标上相较于原始YOLOv8有显著提升,其中mAP@0.5指标达到94.7%,相较于基线模型提升了2.4%,mAP@0.5:0.95指标达到了67.2%,相较于基线模型提高3.3%,在轻量化方面,模型参数相较于基线模型降低了24.2%,计算浮点数下降28.7%.与主流算法进行对比实验,所提算法表现优于目前主流算法,说明了该网络的有效性.展开更多
文摘本研究提出了一种改进的YOLOv8模型(FCU-YOLOv8),用于提升水稻病害检测的精度和效率,以应对水稻病害种类繁多、背景复杂及病害间特征差异小等问题.在YOLOv8主干网络的C2f模块基础上,采用了FasterNeXt模块替换.FasterNeXt模块通过优化网络结构减少了计算量和内存访问量,同时提高了特征提取的效率,从而降低模型的推理成本.设计了C3K模块(多尺度卷积模块)和CPSA模块(卷积注意力机制),以进一步提升模型对病害区域的特征感知能力.C3K模块允许模型通过灵活的卷积核选择适应不同尺度的病害特征,而CPSA模块利用注意力机制增强模型对关键信息的捕捉.为了提升检测框的质量和对密集病害目标的检测效果,模型采用了优化的UIoU(unified intersection over union)损失函数,该函数在回归阶段通过平衡边界框的精确性与一致性来提升检测性能.在自制的8种常见水稻病害图像数据集上,FCU-YOLOv8在多个性能指标上相较于原始YOLOv8有显著提升,其中mAP@0.5指标达到94.7%,相较于基线模型提升了2.4%,mAP@0.5:0.95指标达到了67.2%,相较于基线模型提高3.3%,在轻量化方面,模型参数相较于基线模型降低了24.2%,计算浮点数下降28.7%.与主流算法进行对比实验,所提算法表现优于目前主流算法,说明了该网络的有效性.
