《Frontiers in Plant Science》:An improved YOLOv8n model for in-field detection of pests and diseases in pakchoi
编辑推荐:
本文提出一种改进的轻量级目标检测模型YOLOv8-DBW,通过引入C2f-PE模块、BiFPN特征融合网络和Wise-IoU损失函数,显著提升白菜田间病虫害检测精度。实验表明,该模型在参数量减少33.3%的同时,mAP提升7.5%,为复杂农田环境下的实时精准防控提供技术支撑。
引言
白菜(Brassica chinensisL.)作为重要叶类蔬菜,在田间环境中常受病虫害侵袭,导致产量与品质下降。传统识别方法依赖人工,效率低且准确性不稳定。近年来,基于深度学习的目标检测算法如YOLO系列在农业领域展现出潜力,但面对白菜病虫害的小目标、遮挡及复杂背景时,仍存在检测精度不足、模型冗余等问题。
材料与方法
研究针对7类常见白菜病虫害(小菜蛾、潜叶蝇、霜霉病、黑斑病、黑腐病、白锈病、白斑病)构建数据集,包含1,782张原始图像,通过数据增强扩至6,110张,均标注为640×640像素。模型以YOLOv8n为基线,进行以下改进:
- 1.
C2f-PE模块:在骨干网络中引入高效多尺度注意力(EMA)机制和部分卷积(PConv),通过分组通道处理和空间编码增强小目标特征提取能力,减少计算量。
- 2.
BiFPN结构:替换原颈网为加权双向特征金字塔网络,通过跨层连接和动态权重融合多尺度特征,提升对重叠或密集病虫害的检测效果。
- 3.
Wise-IoU损失函数:采用动态非单调聚焦机制替代CIoU,平衡高质量与低质量锚框的梯度增益,提升边界框回归稳定性。
实验结果
消融实验表明,C2f-PE模块使精确率(P)、召回率(R)和mAP分别提升1.9%、1.0%和2.7%;结合BiFPN后,参数量降低33.3%,FLOPs减少13.6%,mAP进一步提升至80.1%;最终模型(YOLOv8-DBW)在测试集上达到85.0%的精确率和77.5%的mAP,优于YOLOv5n、YOLOv10n等主流模型。可视化结果证实该模型在叶片遮挡、背景干扰下误检率显著降低。
讨论与结论
YOLOv8-DBW模型通过模块化改进实现了精度与轻量化的平衡,尤其适用于边缘设备部署。未来可扩展数据集涵盖更多作物品种,并集成病害严重度评估功能,推动农业病虫害智能监测系统的实际应用。