基于改进YOLOv8s-Seg模型的番茄成熟度检测

1

作者 杨爽 周中林 《湖北农业科学》 2025年第6期178-184,共7页

为了实现对不同成熟度番茄的实时检测,提出改进YOLOv8s-Seg模型,从而满足现代农业对精准管理的需求。通过改进YOLOv8s-Seg模型的颈部模块来提高其网络性能,在每次上采样操作前,添加1×1 SimConv卷积,将颈部剩余的常规卷积替换为3... 为了实现对不同成熟度番茄的实时检测,提出改进YOLOv8s-Seg模型,从而满足现代农业对精准管理的需求。通过改进YOLOv8s-Seg模型的颈部模块来提高其网络性能,在每次上采样操作前,添加1×1 SimConv卷积,将颈部剩余的常规卷积替换为3×3 SimConv卷积,显著提高算法的特征融合能力。结果表明,改进YOLOv8s-Seg模型对成熟番茄、半成熟番茄和未成熟番茄的分割精确率分别为92.7%、92.3%和89.9%。与YOLOv8s-Seg模型相比,改进YOLOv8s-Seg模型的精确率、召回率、F1评分和mAP@0.5分别提高1.6、0.4、1.0、2.4个百分点;改进YOLOv8s-Seg模型的精确率、召回率、F1评分和mAP@0.5均高于YOLOv8s-Seg模型、YOLOv5s-Seg模型、YOLOv7-Seg模型和Mask R-CNN模型;改进YOLOv8s-Seg模型的推理时间为3.5 ms,虽然比YOLOv5s-Seg模型和YOLOv8s-Seg模型略有增加,但明显低于YOLOv7-Seg模型和Mask R-CNN模型。改进YOLOv8s-Seg模型在复杂环境下的番茄成熟度分割任务中表现出优异性能;无论是叶片遮挡、果实重叠,还是光照变化与角度变化,该模型均能实现高精度的分割效果。 展开更多

关键词 改进yolov8s-seg模型 番茄(Solanum lycopersicum L.) 成熟度 检测

在线阅读 下载PDF 职称材料

基于改进YOLOv8的轻量化水稻病虫害识别模型研究

2

作者 李鹏飞 曾靖 《湖北农业科学》 2025年第8期10-16,23,共8页

在YOLOv8模型的基础上,同时引入ShuffleNetv2模块和Conv_MaxPool模块,构建改进YOLOv8模型(YOLOv8-ShuffleNetv2-Conv_MaxPool)。通过在YOLOv8模型中集成ShuffleNetv2模块和Conv_MaxPool模块,改进YOLOv8模型在保持轻量化的同时,明显提升... 在YOLOv8模型的基础上,同时引入ShuffleNetv2模块和Conv_MaxPool模块,构建改进YOLOv8模型(YOLOv8-ShuffleNetv2-Conv_MaxPool)。通过在YOLOv8模型中集成ShuffleNetv2模块和Conv_MaxPool模块,改进YOLOv8模型在保持轻量化的同时,明显提升了水稻病虫害检测的综合性能,有效降低了误检率和漏检率。改进YOLOv8模型在多个数据集上表现出色,进一步验证了其鲁棒性和泛化能力。消融试验表明,在自建数据集中,相较于YOLOv8模型,改进YOLOv8模型的准确率、精确率、召回率、F1得分分别提高了3.73、3.56、3.78、3.73个百分点,参数量仅为24.80 MB。在Coco128数据集中,改进YOLOv8模型表现最佳,各项指标均在88.00%左右,明显优于YOLOv8模型、YOLOv8-ShuffleNetv2模型、YOLOv8-Conv_MaxPool模型。该模型能有效实现实际生产环境中水稻病虫害的快速准确识别。 展开更多

关键词 水稻病虫害 改进yolov8模型 轻量化 识别模型

在线阅读 下载PDF 职称材料

基于轻量化改进YOLOv8模型和边缘计算的玉米病虫害检测系统 被引量：2

3

作者 施杰 熊凯祥 +3 位作者 李志 陈立畅 唐秀英 杨琳琳 《江苏农业学报》 北大核心 2025年第2期313-322,共10页

为实现玉米病虫害的原位准确检测与识别,本研究设计了一套基于边缘计算的玉米病虫害智能检测系统。该系统基于YOLOv8模型并进行改进,具体改进方法包括:采用高效视觉网络(EfficientViT)作为主干网络,以降低计算量;在特征融合网络中引入... 为实现玉米病虫害的原位准确检测与识别,本研究设计了一套基于边缘计算的玉米病虫害智能检测系统。该系统基于YOLOv8模型并进行改进,具体改进方法包括:采用高效视觉网络(EfficientViT)作为主干网络,以降低计算量;在特征融合网络中引入幻影卷积(GhostConv),进一步减轻计算负担;在C2f模块中引入空间通道重建卷积(SCConv),以增强特征提取性能;将损失函数替换为具有动态非单调聚焦机制的损失函数(WIoU),以提高模型的识别精度。同时,本研究设计了基于边缘计算的病虫害检测系统上位机、下位机架构,并将该轻量化模型部署到Jetson orin nano边缘计算设备上。系统采用Pyside6开发系统可视化界面,除具备识别与训练功能外,还集成了基于大模型技术的AI专家库,可以实现对病虫害的智能化诊断。通过自建的玉米病虫害数据集对改进模型YOLOv8-EGCW进行检验。结果表明,与原始模型YOLOv8m相比,改进模型YOLOv8-EGCW的精确度、召回率和平均精度均值分别提升了0.4个百分点、1.6个百分点和1.2个百分点,参数量和模型大小大幅减少,单张图像检测时间缩短。建立的玉米病虫害检测系统测试结果显示,准确率达到93.4%,检测速度达1 s 25帧。表明该系统能够满足边缘计算环境下玉米病虫害原位检测的需求。 展开更多

关键词 玉米 病虫害检测系统 yolov8模型 轻量化改进 边缘计算

在线阅读 下载PDF 职称材料

基于改进YOLOv8模型的玉米叶斑病快速识别方法

4

作者 张露 吴雪莲 《湖北农业科学》 2025年第5期160-166,172,共8页

为了实现玉米叶斑病的快速识别,通过集成全局注意力机制(Global attention module,GAM)、Slim-Neck轻量化模块及Inner-CIoU损失函数,优化YOLOv8模型的玉米叶斑病检测性能。与YOLOv8模型相比,改进YOLOv8模型(GAM+Slim-Neck+Inner-CIoU)的... 为了实现玉米叶斑病的快速识别,通过集成全局注意力机制(Global attention module,GAM)、Slim-Neck轻量化模块及Inner-CIoU损失函数,优化YOLOv8模型的玉米叶斑病检测性能。与YOLOv8模型相比,改进YOLOv8模型(GAM+Slim-Neck+Inner-CIoU)的Precision、Recall、mAP@0.5和mAP@[0.5∶0.95]分别增加4.15%、5.51%、3.91%和11.35%,参数量和检测时间分别减少10.39%和3.42%。改进后的YOLOv8模型在Precision、Recall、mAP@0.5和mAP@[0.5∶0.95]方面普遍优于其他模型(YOLOv3、YOLOv5、YOLOv6及Faster R-CNN),同时在参数量和检测时间上也表现出显著的优势,兼具高效性与轻量化特点。改进后的YOLOv8模型能够更高效地捕获关键信息,充分融合多维度特征,合理分配计算资源,从而提升识别准确率。 展开更多

关键词 玉米 叶斑病 改进 yolov8模型 快速识别

在线阅读 下载PDF 职称材料

基于改进YOLOv8模型的黄花菜花蕾识别研究

5

作者 霍静琦 崔婷婷 薛志璐 《湖北农业科学》 2025年第7期186-191,共6页

通过深度融合CSPNet与密集连接网络(DenseNet)构建CSPDenseNet骨干模块,将该模块集成到YOLOv8模型,替换主干网络末端的最后2个标准卷积模块,得到改进YOLOv8模型(Dense-YOLOv8)。结果表明,在简单背景、稀疏黄花菜(Hemerocallis citrina B... 通过深度融合CSPNet与密集连接网络(DenseNet)构建CSPDenseNet骨干模块,将该模块集成到YOLOv8模型,替换主干网络末端的最后2个标准卷积模块,得到改进YOLOv8模型(Dense-YOLOv8)。结果表明,在简单背景、稀疏黄花菜(Hemerocallis citrina Baroni)花蕾场景下,Dense-YOLOv8模型成功识别出全部成熟花蕾;在简单背景、密集黄花菜花蕾场景下,Dense-YOLOv8模型在花蕾检测任务中展现出优异的识别性能,但在处理紧密相邻目标时仍存在部分漏检现象;在复杂背景、密集黄花菜花蕾场景下,Dense-YOLOv8模型成功识别出全部成熟花蕾。Dense-YOLOv8模型的mAP、F1、识别速度、模型大小分别为90.75%、89%、53 f/s、217.68 MB;与YOLOv8模型、Faster R-CNN模型、YOLOv7相比,DenseYOLOv8模型在精简网络结构与参数的同时,显著提升了目标检测的精度与速度。 展开更多

关键词 改进yolov8模型 深度学习 黄花菜(Hemerocallis citrina Baroni) 花蕾 识别

在线阅读 下载PDF 职称材料

基于YOLOv8改进模型的玉米作物病虫害检测方法

6

作者 张正伟 闫泽愿 张铭瑞 《农村科学实验》 2025年第10期72-74,共3页

玉米作为重要的粮食作物之一,其产量和质量直接关系到我国粮食安全和农业经济的稳定。然而,玉米常受到多种病虫害的侵袭,严重影响其产量和质量。因此,高效、准确地识别作物病虫害种类对于提升玉米产量和质量具有重要意义。该研究创新性... 玉米作为重要的粮食作物之一,其产量和质量直接关系到我国粮食安全和农业经济的稳定。然而,玉米常受到多种病虫害的侵袭,严重影响其产量和质量。因此,高效、准确地识别作物病虫害种类对于提升玉米产量和质量具有重要意义。该研究创新性地提出一种名为MDGYOLONet的玉米作物病虫害检测框架,该框架是对YOLOv8模型的进一步优化与拓展。MDGYOLONet通过在YOLOv8网络中引入全局注意力机制,以增强网络对图像中重要特征的关注度,获得更准确的特征表示。同时,在YOLOv8网络的Neck中增加了Multi-Dilated模块,以增加网络对不同尺度物体的感知能力,从而改善目标的检测性能。经过对比分析,MDGYOLONet对4种玉米病虫害的检测精确率为97.5%,召回率为96.8%,平均精度均值为97.3%,与模型消融试验的其他3组模型(YOLOv8+GAM、YOLOv8+Multi-Dilated、YOLOv8)相比,平均精度均值分别提升了0.5%、1.6%和0.8%,说明改进型的YOLOv8(MDGYOLONet)模型能够为玉米病虫害的图像识别提供技术支撑。 展开更多

关键词 玉米 病虫害检测 yolov8改进模型 注意力机制 图像识别

在线阅读 下载PDF 职称材料

基于YOLOv8n改进的水稻病害轻量化检测 被引量：3

7

作者 郭丽峰 黄俊杰 +5 位作者 吴禹竺 王思吉 王轶哲 包羽健 苏中滨 刘宏新 《农业工程学报》 北大核心 2025年第8期156-164,共9页

为解决水稻病害检测中存在的小目标特征提取困难、复杂环境下检测精度不高的问题以及在边缘化设备上实现高效实时检测,该研究提出了一种轻量化水稻病害识别方法YOLOv8-DiDL。该方法通过引入倒残差移动模块(inverted residual mobile blo... 为解决水稻病害检测中存在的小目标特征提取困难、复杂环境下检测精度不高的问题以及在边缘化设备上实现高效实时检测,该研究提出了一种轻量化水稻病害识别方法YOLOv8-DiDL。该方法通过引入倒残差移动模块(inverted residual mobile block,iRMB)增强小目标特征捕捉能力,采用变形卷积模块DCNv2(deformable convolutional networks)优化目标几何变化适应性,结合采样算子DySample(dynamic sample)算法提升复杂环境适应能力,并改进快速空间金字塔池化模块(spatial pyramid pooling fast,SPPF)为大核分离卷积注意力模块(large separable kernel attention,LSKA)增强多尺度特征融合。试验结果表明,改进的YOLOv8-DiDL模型准确率、召回率和平均精度均值分别为91.4%、83.5%、90.8%;与原始基础网络YOLOv8n相比分别提升7.0、0.5、2.5个百分点,模型权重降低9.7%,每秒浮点运算次数提升7.4%。该研究通过改进模型显著提高了水稻病害检测的精度和部署效率,为智能化农业的实时病害监测提供了技术基础。 展开更多

关键词 水稻 病害 目标检测 yolov8n改进模型 卷积神经网络 模型轻量化设计

在线阅读 下载PDF 职称材料

一种基于改进YOLOv8n的蜗杆表面缺陷检测方法

8

作者 张豪杰 郑鹏 +2 位作者 乔王威 王明基 李季村 《机床与液压》 北大核心 2025年第16期10-17,共8页

小模数蜗杆是工业中常用的机械零件,但其表面结构复杂且几何尺寸较小,导致表面缺陷检测难度大,检测精度和效率均较低。为解决这一问题,提出一种基于改进YOLOv8n模型的蜗杆表面缺陷检测方法。针对蜗杆的缺陷特点和材料特性,设计图像采集... 小模数蜗杆是工业中常用的机械零件,但其表面结构复杂且几何尺寸较小,导致表面缺陷检测难度大,检测精度和效率均较低。为解决这一问题,提出一种基于改进YOLOv8n模型的蜗杆表面缺陷检测方法。针对蜗杆的缺陷特点和材料特性,设计图像采集装置。通过引入C2fCIB模块,有效降低YOLOv8n模型的参数量和计算复杂度;结合高效通道注意力(ECA)机制,在不增加模型规模的前提下提升特征提取能力。此外,引入Focaler-CIoU损失函数,有效缓解困难样本与简单样本分布不平衡的问题,进一步提高检测精度。最终,通过继续训练方法优化模型。实验结果表明:该方法在检测精度、mAP@50、FPS等方面均优于现有主流算法,检测精度达到91.4%,mAP@50达到91.8%,FPS达到191.6,参数量和浮点运算次数分别为2.79×10^(6)和7.9×10^(9),基本能够满足工业实际应用需求。 展开更多

关键词 小模数蜗杆 缺陷检测 改进yolov8n模型 注意力机制 损失函数

在线阅读 下载PDF 职称材料

基于改进YOLOv8的胶合板单板表面缺陷检测

9

作者 李健龙 李玮 +4 位作者 孙德鑫 廖洪森 刘家浩 柏迦南 王建超 《森林工程》 北大核心 2025年第4期777-787,共11页

针对胶合板单板表面缺陷的复杂多样性和特征提取困难,且基于深度学习的缺陷检测算法参数量和计算成本较大,难以在算力较低的设备上得到有效应用等问题,构建一种基于改进YOLOv8的单板表面缺陷(活节、死节、孔洞、裂缝和缺口)检测模型。... 针对胶合板单板表面缺陷的复杂多样性和特征提取困难,且基于深度学习的缺陷检测算法参数量和计算成本较大,难以在算力较低的设备上得到有效应用等问题,构建一种基于改进YOLOv8的单板表面缺陷(活节、死节、孔洞、裂缝和缺口)检测模型。为提升模型的检测精度和轻量化性能,对胶合板单板表面缺陷检测模型进行改进。首先,采用新的高效注意力机制(coordinate attention,CA),该机制能够增强特征提取的精度和网络的空间信息感知能力,避免过多的计算负担;其次,提出一种基于部分卷积(PConv)的全新结构——CSPPC(CSP(cross stage partial)pyramid convolution),提升计算效率和多尺度特征的融合能力;最后,引入改进的加权交并比损失函数——WIoUv3,提升模型的定位精度和鲁棒性。试验结果表明,改进后的YOLOv8模型(CP-YOLOv8)在胶合板单板表面缺陷检测任务中表现出色,模型的平均精度均值(mAP)达到93.8%,在原模型的基础上提升0.9%,改进模型浮点运算次数(GFLOPs)和参数量降低至7.2 G和2.58 M,分别降低0.9 G与0.42 M,能够充分满足实际应用需求,为胶合板单板质量检测提供一种高效、精准且轻量化的解决方案。 展开更多

关键词 缺陷检测 改进后的yolov8模型(CP-yolov8) CA注意力机制 CSPPC模块 WIoUv3 目标检测 轻量化设计

在线阅读 下载PDF 职称材料

无人机海上舰船目标影像超分辨率重建

10

作者 孙炜玮 崔亚奇 +1 位作者 张少卿 夏沭涛 《现代电子技术》 北大核心 2025年第1期17-22,共6页

针对无人机在获取海上舰船目标影像时面临的实时性与清晰度之间的矛盾,提出一种影像压缩模糊重建方法。该方法利用改进的YOLOv8检测模型和Real-ESRGAN网络,通过数据集构建、网络训练调试和部署运用等步骤,实现了在有限带宽和计算资源环... 针对无人机在获取海上舰船目标影像时面临的实时性与清晰度之间的矛盾,提出一种影像压缩模糊重建方法。该方法利用改进的YOLOv8检测模型和Real-ESRGAN网络,通过数据集构建、网络训练调试和部署运用等步骤,实现了在有限带宽和计算资源环境下地面端高质量舰船目标影像的实时重建。首先利用改进的YOLOv8模型对影像中舰船目标进行精准检测和定位,随后通过Real-ESRGAN网络对压缩及模糊影像进行重建,以恢复影像的高分辨率和细节信息。实验结果表明,该方法不仅显著提升了影像的清晰度和检测准确性,还大幅减少了带宽消耗,满足了无人机舰船识别的高实时性要求,且在资源受限的情况下表现尤为突出。为无人机在海上舰船目标监测领域提供了一种有效的解决方案,不仅提高了无人机的监测和识别能力,也为进一步推进无人机在海洋监测中的广泛应用奠定了基础。 展开更多

关键词 无人机影像 海面舰船 双向特征融合模型 Real-ESRGAN网络 改进的yolov8检测模型 海上舰船目标监测

在线阅读 下载PDF 职称材料

基于深度学习及规则推理的堆石坝卸料时间实时感知模型研究

11

作者 俞澎 王晓玲 +2 位作者 张君 曾拓程 王佳俊 《天津大学学报(自然科学与工程技术版)》 2025年第12期1288-1301,共14页

堆石坝卸料时间的实时感知对于坝面施工进度仿真分析和施工机械管理调度具有重要意义.基于深度学习的计算机视觉技术由于能够实现施工机械的实时检测与跟踪,为卸料时间感知提供了有效途径,然而现有方法在大场景视频监控下进行自卸汽车... 堆石坝卸料时间的实时感知对于坝面施工进度仿真分析和施工机械管理调度具有重要意义.基于深度学习的计算机视觉技术由于能够实现施工机械的实时检测与跟踪,为卸料时间感知提供了有效途径,然而现有方法在大场景视频监控下进行自卸汽车卸料活动识别时存在速度慢、精度低的问题,且难以分析自卸汽车在不同填筑分区上卸料作业规律的差异性.针对上述问题,提出基于深度学习及规则推理的堆石坝卸料时间实时感知模型.基于显式视觉中心(EVC)机制改进YOLOv8目标识别算法的特征金字塔结构,以弥补YOLOv8在特征提取过程中难以完全捕获小尺度目标全局信息和易丢失局部特征的不足,提高YOLOv8对于小尺度目标的识别精度,并将改进的YOLOv8目标识别算法(EVC-YOLOv8)作为ByteTrack跟踪算法的目标检测器,以提高ByteTrack跟踪算法对小尺度目标的跟踪精度.此外,引入YOLOv8-seg算法分割提取目标填筑分区范围,实现自卸汽车目标检测与跟踪的分区统计,进一步基于规则推理提取堆石坝不同分区的卸料时间.案例分析表明:EVC-YOLOv8目标识别算法较基准模型识别精度提高了2.3%;改进的ByteTrack模型在25帧/s时的多目标跟踪精度为90.6%,目标识别准确度为93.2%,满足仿真参数获取的实时性和精度的需求;检测获取的卸料时间平均误差为4.2%,验证了本模型的准确性与实时性. 展开更多

关键词 堆石坝 yolov8-seg模型 EVC-yolov8模型 改进的ByteTrack模型 规则推理 卸料时间参数

在线阅读 下载PDF 职称材料