基于动态蛇形卷积增强的棉花害虫检测模型Snake-YOLO：提升细长特征识别的精准农业实践

【编辑推荐】本研究创新性地将动态蛇形卷积（Dynamic Snake Convolution）引入YOLOv8n算法，构建Snake-YOLO模型用于棉花害虫检测。该模型在F1-score（92.71%）、mAP50（97.50%）和mAP50-95（80.13%）指标上表现优异，较传统算法（如EfficientDet、RetinaNet等）显著提升细长昆虫特征的识别能力，为精准农业（Precision Agriculture）中的靶向施药提供技术支撑。

　　

核心发现

1. 创新性地将动态蛇形卷积网络整合进YOLOv8n框架，显著提升模型对棉花昆虫细长形态特征（如触角、足部等）的学习能力。
2. 在公开昆虫数据集测试中，Snake-YOLO对具有细长特征的昆虫检测表现超越现有算法，验证了其泛化能力。
3. 通过动态蛇形卷积网络深度优化实验，确定了最佳网络结构深度参数。
4. 本检测器在多项指标上优于同类网络，为农业害虫实时监测提供新方案。

<结论>
为实现棉花害虫实时监测并减少农民经济损失，我们基于YOLOv8n开发了改进算法，主要突破包括：

1. 针对昆虫解剖学特征，通过动态蛇形卷积增强特征提取能力。
2. Snake-YOLO算法在保持实时性的同时，检测精度达行业领先水平（F₁-score 92.71%），为精准施药提供可靠技术保障。