基于EBP-YOLOv8的葡萄叶病害检测与识别方法研究

摘要

为提高实际环境中葡萄叶病害检测的准确率，适合视频实时监测、无人机等嵌入式AI应用场景，对YOLOv8目标检测模型从模型结构、轻量化等方面进行改进，构建了EBP-YOLOv8。首先在颈部网络中引入BiFPN结构，加强模型特征层之间的融合，改善对小目标的检测能力；其次使用C2＿P来替换颈部网络中的C2f结构，实现模型的轻量化，在降低模型计算量的同时而不影响其精度；然后在特征提取网络中融入EMA注意力机制，提升网络对感兴趣区域的关注，提升模型对复杂背景、相似病斑的识别能力；最后将CIoU损失函数替换为ECIoU损失函数，进一步提升模型的检测性能，使模型能够更好地收敛。EBP-YOLOv8对比YOLOv8n、Faster-RCNN、RetinaNet、YOLOv8n、YOLOv8s、YOLOv7、YOLOv7-Tiny、YOLOv4-Tiny,mAP分别提升了3.2%、13.87%、3.49%、3.2%、1.3%、5%、4.7%、8.8%，模型大小仅5.3MB。改进后的算法在轻量化及保证实时性的同时有效提高了检测精度，可以为开发葡萄叶病害实时检测边缘系统提供有效参考。

关键词

葡萄叶病害 / YOLOv8 / BiFPN / EMA注意力机制 / 轻量化

基金资助

云南省重大科技专项：云果数字化关键技术研发与应用示范（202002AE09001002）