【目标检测论文解读复现NO.36】基于改进 YOLOv8 的轻量化小麦病害检测方法

最新推荐文章于 2024-08-17 12:12:38 发布

人工智能算法研究院

最新推荐文章于 2024-08-17 12:12:38 发布

阅读量804

点赞数 4

分类专栏：中文核心论文解读复现文章标签：目标检测目标跟踪人工智能

本文链接：https://blog.csdn.net/m0_70388905/article/details/138215602

版权

中文核心论文解读复现专栏收录该内容

40 篇文章 147 订阅

订阅专栏

前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。本文仅对论文代码实现，如果原文章的作者觉得不方便，请联系删除，尊重每一位论文作者。

一、摘要

为提高小麦病害检测精度，实现将模型方便快速部署到移动端，该研究提出了一种基于改进 YOLOv8 的轻量化小麦病害检测方法。首先，使用 PP-LCNet 模型替换 YOLOv8 网络结构的骨干网络，并在骨干网络层引入深度可分离卷积（depthwise separable convolution， DepthSepConv）结构，减少模型参数量，提升模型检测性能；其次，在颈部网络部分添加全局注意力机制（global attention mechanism， GAM）模块，强化特征中语义信息和位置信息，提高模型特征融合能力；然后，引入轻量级通用上采样内容感知重组（content-aware reassembly of features，CARAFE）模块，提高模型对重要特征的提取能力；最后，使用 Wise-IoU（weighted interpolation of sequential evidence for intersection over union）边界损失函数代替原损失函数，提升网络边界框回归性能和对小目标病害的检测效果。试验结果表明，对于大田环境下所采集的小麦病害数据集，改进后模型的参数量及模型大小相比原 YOLOv8n 基线模型分别降低了 12.5 和 11.3 个百分点，同时精确度（precision）及平均精度均值（mean average precision，mAP）相较于原模型分别提高了 4.1 和 2.5 个百分点，优于其他对比目标检测算法，可为小麦病害检测无人机等移动端检测装备的部署和应用提供参考。