针对现有检测模型对小麦赤霉病斑识别精度较低从而妨碍后续防治工作的问题,本研究提出一种基于改进YOLOv8s模型的小麦赤霉病斑检测算法YOLOv8s-SCR。该模型以YOLOv8s为基础网络,结合ShuffleNet v2的优点,引入SE(Squeeze and Excitation...针对现有检测模型对小麦赤霉病斑识别精度较低从而妨碍后续防治工作的问题,本研究提出一种基于改进YOLOv8s模型的小麦赤霉病斑检测算法YOLOv8s-SCR。该模型以YOLOv8s为基础网络,结合ShuffleNet v2的优点,引入SE(Squeeze and Excitation)通道注意力机制进行改进,在实现网络模型轻量化的同时,增强模型对关键特征的关注度;利用CARAFE(Content Aware ReAssembly of FEatures)模块可自适应训练的特点,替换掉原始YOLOv8s的最临近插值上采样,可以在上采样过程中提供更丰富的语义信息;采用多尺度且可训练的RFB(Receptive Field Block)模块,通过融合不同尺度的特征进一步提升模型的检测性能。经过实验测试,YOLOv8s-SCR模型相较于原模型网络参数量降低21.02%,浮点运算量减少24.48%;在测试集上,模型的检测平均精度均值从原模型的84.6%提升到90.5%,提升5.9个百分点,验证了改进模型在小麦赤霉病检测中的有效性。综上,本研究提出的YOLOv8s-SCR模型能够快速且有效地检测出小麦穗上的赤霉病斑,可为后续的防治工作提供有力支持。展开更多
文摘针对现有检测模型对小麦赤霉病斑识别精度较低从而妨碍后续防治工作的问题,本研究提出一种基于改进YOLOv8s模型的小麦赤霉病斑检测算法YOLOv8s-SCR。该模型以YOLOv8s为基础网络,结合ShuffleNet v2的优点,引入SE(Squeeze and Excitation)通道注意力机制进行改进,在实现网络模型轻量化的同时,增强模型对关键特征的关注度;利用CARAFE(Content Aware ReAssembly of FEatures)模块可自适应训练的特点,替换掉原始YOLOv8s的最临近插值上采样,可以在上采样过程中提供更丰富的语义信息;采用多尺度且可训练的RFB(Receptive Field Block)模块,通过融合不同尺度的特征进一步提升模型的检测性能。经过实验测试,YOLOv8s-SCR模型相较于原模型网络参数量降低21.02%,浮点运算量减少24.48%;在测试集上,模型的检测平均精度均值从原模型的84.6%提升到90.5%,提升5.9个百分点,验证了改进模型在小麦赤霉病检测中的有效性。综上,本研究提出的YOLOv8s-SCR模型能够快速且有效地检测出小麦穗上的赤霉病斑,可为后续的防治工作提供有力支持。
