基于改进YOLOv8n的农作物虫害检测与识别

徐悦1,2赵辉1,2岳有军1,2

1.天津理工大学电气工程与自动化学院2.天津市复杂系统控制理论及应用重点实验室

摘要：针对农田中基于机器视觉的虫害检测效率低且容易出现误检、漏检、精度较低的问题，为提高对小且密集、特征接近的常见虫害的检测性能，提出一种基于改进YOLOv8的虫害识别深度学习算法YOLOv8—ECSI。首先将EfficientNet替换原有的骨干网络，在保证检测精度不受到大幅影响的前提下实现模型轻量化；其次将原始的上采样模块替换为CARAFE上采样模块，减少细节信息的损失；然后在小目标检测层加入空间通道重组卷积（SCConv），增强特征表达能力；最后将原有损失函数更换为Inner—CIoU损失函数，提高对小目标的检测能力。通过大型公开数据集IP102和网络查询建立数据集。试验表明，改进后的模型平均精度均值达到94.6%，同时参数量减少33.6%，计算量减少23.5%，比YOLOv5、YOLOv7、SSD等模型检测效果更优、速度更快。