改进YOLOv8n的林业害虫检测方法

摘要

【目的】针对现有林业害虫检测方法检测速度慢，检测类别少，小目标害虫检测效果差等问题，提出了一种改进YOLOv8n的林业害虫检测方法。【方法】首先，采用高效多尺度级联注意力特征提取网络EfficientViT作为改进模型的主干网络，降低计算复杂度，提高检测速度；其次，通过构建多尺度自适应特征融合模块DA-C2F提升模型在复杂背景下害虫目标的聚焦能力和识别精度，此外新增的小目标检测头XSH能够进一步提升小目标害虫的检测能力；最后，采用基于最小点距离交并比损失函数MPDIoU作为模型的边界框损失，提升网络收敛速度，进一步增强害虫目标的定位准确率。【结果】改进模型的检测精确率、召回率、平均精度、平均精度均值（mAP50-95）和F₁分数分别达到98.6%、95.7%、98.3%、85.6%和0.979，前4者较原模型分别提升了3.9、2.6、2.8、2.5个百分点，F₁分数提升了4.4%；检测速度（帧率）达到了95帧/秒，提升了15.9%，优于更轻量级的模型。此外，对比其他检测模型，改进模型对飞蛾类害虫的检测精确率提升了11.2个百分点，并且两种独立飞蛾害虫综合检测的表现也更为优异。【结论】本研究提出的方法对于林业害虫的检测准确度更高，检测速度更快，且对多类别害虫的检测精度更高，改进模型的泛化能力更强。

关键词

深度学习 / 卷积神经网络(CNN) / 林业害虫检测 / YOLOv8n / 多尺度级联注意力特征提取网络 / 多尺度自适应特征融合 / 小目标检测头