自然场景下轻量化番茄病害检测模型

摘要

[目的]为解决自然场景下番茄病害检测中存在的挑战，如病害信息多样、尺度不同、叶片遮挡等，提出一种基于改进YOLOv8的轻量化模型。[方法]在主干网络中，使用GhostNetV2模块来代替部分C2f模块，抑制特征传输过程中的信息损失，同时显著减少模型参数量和计算复杂度。在颈部网络中，结合加权双向特征金字塔来改进YOLOv8的特征融合能力，通过提取融合多尺度特征，提升模型的检测准确率。提出一种多尺度特征感知模块，降低模型过拟合的风险，减小模型对相似特征的依赖性。引入WiseIoU损失作为边界框回归损失，结合动态非单调聚焦机制，利用异常值信息对模型预测结果进行评估，提高网络的整体性能。[结果]改进YOLOv8能够准确识别绝大多数常见的番茄病害，平均准确率为98.17%,检测速度达到155帧·s^-1,明显优于YOLOv5、Faster R-CNN、SSD、RetinaNet、CenterNet以及基线YOLOv8六种对比算法。[结论]改进YOLOv8在准确性和实时性方面具有明显优势。嵌入式平台上试验结果表明，改进YOLOv8在计算资源受限的条件下，仍能实现较为准确的实时检测。

关键词

番茄 / 病害检测 / YOLOv8 / GhostNetV2 / Bi-FPN / MDP / WiseIoU损失