Pest-YOLOv8：利用三重注意力机制和wise-IoU算法提升对小型复杂农业害虫的检测能力

《Journal of Plant Diseases and Protection》：Pest-YOLOv8: enhanced detection for small and complex agricultural pests using triple attention and wise-IoU

农业病虫害检测模型Pest-YOLOv8通过引入Triple-CA模块和Wise-IoU损失函数，提升分类与定位精度达3.7%-13%，在IP102和Insects1201数据集上表现优于基线，但速度略有下降。该模型为农业提供快速精准的病虫害检测方案。

　　

摘要

有效的害虫预防和控制对农业生产至关重要。由于害虫种类繁多且具有显著的破坏性，因此害虫的识别和定位必须准确且及时。传统方法主要依赖人工检查，但这在大规模农业生产中效率低下。为了解决这一挑战，我们设计了Pest-YOLOv8，这是一种基于YOLOv8的检测模型，专门用于检测小型且多样的农业害虫。该模型通过引入三坐标注意力（Triple-CA）模块来捕获更详细的特征，显著提高了害虫分类和定位的准确性。此外，它还利用Wise-IoU损失函数增强了模型在杂草茂密的复杂环境中区分害虫与背景的能力，从而提高了模型的精确定位能力。在IP102和Insects1201数据集上的评估结果显示，Pest-YOLOv8的性能优于基础YOLOv8：在IP102数据集上，mAP@50、mAP@75和mAP@50:95的指标分别提高了3.7%、3.8%和2.8%；在Insects1201数据集上，这些指标分别提高了2.6%、13%和7.3%，尽管推理速度略有下降。本研究提出了一种快速的害虫检测解决方案，为农业生产提供了技术支持。