基于改进YOLOv8n的谷子谷瘟病检测方法

摘要

[目的]田间背景下谷子谷瘟病的智能化识别环境干扰强、病斑尺度多变，现有研究采用的模型在实际应用场景中的适应性仍需进一步优化。[方法]本研究依托构建的大样本谷瘟病数据集，提出了一种基于改进YOLOv8n的谷瘟病检测模型YOLOv8-SDL。该模型在YOLOv8n基础上，通过强化主干网络特征提取、引入轻量高效上采样增强特征融合能力、引入注意力机制提高模型对重要特征选择能力这3个方面进行改进，以提升模型在复杂背景下对谷瘟病实例检测的稳定性与准确性。首先，对可切换空洞卷积（SAC）的结构进行优化，在上下文结构中的1×1卷积前添加1层3×3卷积，并结合通道注意力（SE）构建了SE＿SAC，将其嵌入主干网络C2f模块中，以强化模型主干网络对病斑区域多尺度特征的提取能力。其次，引入DySample上采样替代邻近插值上采样，利用该上采样的基于点采样的动态上采样策略，在降低模型计算量的同时，减少上采样过程中的特征信息丢失以提高模型的特征融合能力，进而提升模型对小目标病斑的定位精度。最后，在颈部网络引入大可分离核注意力（LSKA），利用该注意力的可分离卷积机制来增强模型对复杂背景中病斑特征的聚焦能力。[结果]YOLOv8-SDL的检测精度为91.5%,mAP@0.5为93.9%,mAP@0.5～0.95达到62.0%，相较于原模型分别提升了4.4%、1.4%和2.2%。[结论]本研究结果可为复杂环境背景下的谷瘟病病害精准检测提供坚实可靠的技术支持。

关键词

深度学习 / 目标检测 / 谷瘟病 / YOLOv8n