-
题名基于改进YOLO v8n的花生叶片病害检测方法
- 1
-
-
作者
白凯
张玉杰
苏邓文
秦涛
彭志强
-
机构
油气钻采工程湖北省重点实验室(长江大学)
长江大学计算机科学学院
-
出处
《农业机械学报》
北大核心
2025年第6期518-526,564,共10页
-
基金
中国高校产学研创新基金—新一代信息技术创新项目(2020ITA03012)
油气钻采工程湖北省重点实验室(长江大学)开放基金项目(YQZC202205)。
-
文摘
针对花生叶片病害在复杂环境下相似特征难以准确识别的问题,提出一种基于改进YOLO v8n模型的检测算法YOLO-ADM。首先,使用ADown模块代替部分CBS模块,降低下采样中的信息损失,减少了模型的参数量;其次,将可变形注意力(Deformable attention,DA)机制添加到C2f模块组成C2f-DA结构,替换了SPPF上层的C2f模块,使模型聚焦到花生叶片病害的特定区域,准确捕捉其特征;最后,设计了一种全新的多尺度特征融合网络MFI Neck代替了YOLO v8n原有的颈部网络,增强了模型对不同尺度特征的融合能力。通过在花生叶片病害数据集上进行实验,结果表明,改进算法的准确率、召回率、mAP@0.5和mAP@0.5:0.95分别达到92.3%、91.0%、95.6%和85.2%,相比原始的YOLO v8n分别提高4.5、0.2、1.6、3.0个百分点,且模型内存占用量减少0.65 MB,参数量下降3.70×10^(5)。本算法在保证模型轻量化的前提下提升了检测能力,能够有效满足复杂环境下花生叶片病害的识别需求,为叶片病害的检测和监控提供了技术参考。
-
关键词
花生叶片病害
YOLO
v8n
目标检测
ADown
可变形注意力
-
Keywords
peanut leaf diseases
YOLO v8n
object detection
ADown
deformable attention
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
