基于改进YOLOv8n的轻量化旋转目标检测方法在稻叶瘟识别中的应用与优化

本文提出Ro-YOLOv8-PKI算法，采用旋转边界框（OBB）替代水平边界框（HBB），通过高斯变换与CIoU损失函数提升旋转目标检测精度，结合16倍下采样多尺度特征融合网络与C2f-PKI模块，显著增强对小目标及密集区域的感知能力，在轻量化（参数量减少69.1%）的同时实现mAP提升9.6%，为自然环境下作物病害检测提供新思路。

　　

Highlight

本研究针对传统水平边界框（HBB）在多方向密集目标表征中的局限性，以及小目标检测精度提升困难的问题，以稻叶瘟为主要研究对象，基于增强型YOLOv8框架提出旋转目标检测模型。通过采用定向边界框（OBB）替代HBB，有效解决目标重叠、定位不准及背景噪声过多等问题；同时采用高效特征融合策略提升小目标检测能力并降低计算复杂度；最后引入C2f-PKI模块实现稻叶瘟的多尺度特征提取，使模型更好地适应尺度变化，为自然环境下的作物病害检测提供新视角。

Comparison of different models

为验证Ro-YOLOv8-PKI在水稻病害检测中的优势，我们与基于HBB的其他五种目标检测算法进行了对比分析，包括Faster-RCNN、RT-DETR-R18、YOLO-Worldv2、YOLOv7-Tiny、YOLOv9t和YOLOv11n。实验过程中，为确保数据集中HBB与OBB标签数量和分布的一致性，将OBB标签转换为HBB标签进行训练和评估。结果表明，Ro-YOLOv8-PKI在保持较高检测速度的同时，显著提升了密集小目标的识别精度。

Discussion

本研究解决了传统基于HBB的目标检测算法在多方向密集目标表征方面的局限性，以及小目标检测精度难以提升的持续挑战。围绕稻叶瘟，本研究对YOLOv8n框架进行了增强：首先通过高斯变换将旋转坐标信息转换为概率分布，随后引入ProbIoU损失函数计算边界框预测损失，从而优化旋转目标的定位精度。此外，通过改进特征融合网络结构和引入C2f-PKI模块，显著提升了模型对多尺度特征的提取能力和对关键区域的感知注意力。实验证明，该模型在参数量和计算量大幅降低的同时，实现了检测精度的显著提升，为轻量化作物病害检测模型的实际应用提供了有力支持。

Conclusion

为解决传统水平边界框表征能力差、现有模型结构复杂冗余度高以及密集小目标检测精度提升困难等问题，我们基于YOLOv8n基础模型提出改进版本，设计了一种轻量化的稻叶瘟旋转目标检测模型Ro-YOLOv8-PKI。通过对比分析，可得出以下结论：

（1）相较于基准模型YOLOv8n，Ro-YOLOv8-PKI在F1分数和平均精度（mAP）上分别提升5.8%和9.6%，同时参数量和模型大小减少69.1%和62.7%；

（2）与其他旋转目标检测算法（包括ROI-Transformer、ReDet和S2-Anet）相比，本模型mAP进一步提升2.3%、2.2%和3.1%；

（3）该模型在自然环境下具有较高的实用性和推广价值，为作物病害智能检测提供了新的技术路径。