基于改进YOLOv8n的水稻叶片病害检测方法

摘要

针对传统水稻叶片病害检测方法检测精度低、速度慢的问题,提出了一种基于改进YOLOv8n的水稻叶片病害检测模型。首先,模型使用SPD-Conv(Sliced Depthwise Convolution)模块替代了原模型中骨干网络和颈部网络的常规卷积模块,不仅有效减轻了模型的计算负担,使模型更加轻量化,并且显著提升了模型在模糊目标和小目标检测方面的表现。其次,模型引入了LSKA(Learnable Spatial Kernel Attention)注意力机制,通过自动学习不同区域的重要性,增强了模型对病害特征的提取能力。再次,使用EIoU(Extended Intersection over Union)损失函数替换了原模型中的损失函数,EIoU损失函数通过提升预测框的定位精度,显著提升了模型的训练收敛速度,并有效提高了模型的定位能力。最后,在相同的数据集上进行了消融实验。实验结果表明,改进后的模型mAP@0.5为92.8%,FPS为324.9,相较于原模型,分别提升了2.3%和18.5%。这些改进显著提高了水稻叶片病害检测的精度与速度,有效提升了病害检测的效率,具有较好的实际应用价值。

关键词

水稻病害 / YOLOv8n / SPD-Conv / 注意力机制 / EIoU