|本期目录/Table of Contents|

[1]桂余鹏,胡蓉华,崔艳荣,等.基于轻量化YOLO v8-Rice的水稻虫害检测方法[J].江苏农业科学,2024,52(20):277-284.
　Gui Yupeng,et al.A rice pest detection method based on lightweight YOLO v8-Rice[J].Jiangsu Agricultural Sciences,2024,52(20):277-284.
点击复制

基于轻量化YOLO v8-Rice的水稻虫害检测方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第20期
页码:
277-284
栏目:
病虫害智能检测
出版日期:
2024-10-20

文章信息/Info

Title:
A rice pest detection method based on lightweight YOLO v8-Rice
作者:
桂余鹏;  胡蓉华;  崔艳荣;  贾瀛睿
长江大学计算机科学学院，湖北荆州 434023
Author(s):
Gui Yupeng; et al
关键词:
水稻虫害检测; 轻量化YOLO v8-Rice; Context Guided Block; 深度可分离卷积; 轻量级共享卷积检测头
Keywords:
-
分类号:
S126；S435.112；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题，在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法。首先，采用Context Guided Block结构替换传统YOLO v8中C2f模块的Bottleneck结构，增强模型的上下文信息理解能力，压缩模型的权重；然后，使用深度可分离卷积代替传统YOLO v8中的标准卷积，以降低参数量、计算量；最后，将检测头重构为轻量级共享卷积检测头，以进一步降低参数量、计算量，并提高模型对多尺度虫害特征的定位和提取能力，使其能够更好地适应不同尺寸、复杂度的虫害状况。结果表明，相比于传统YOLO v8，YOLO v8-Rice算法在计算量、参数量方面分别减小70.5%、61.7%，模型的权重文件大小降低至1.94 MB，仅为YOLO v8n的32.4%，并且在平均精度上达到941%，与其他模型相比明显提高。该算法在水稻虫害检测方面的性能取得了显著提升。借助轻量化网络模型及优化模型的部署，使其更适合在移动设备或嵌入式设备中部署，可为实际农业场景中的水稻虫害检测提供更可行的解决方案，可以准确地检测定位和分类水稻虫害。
Abstract:
-

参考文献/References:

［1］吕亮，常向前，张舒. 水稻害虫绿色防控技术应用研究现状及展望［J］. 环境昆虫学报，2021，43(3)：623-632.
［2］赵景，蔡万伦，沈栎阳，等. 水稻害虫绿色防控技术研究的发展现状及展望［J］. 华中农业大学学报(自然科学版)，2022，41(1)：92-104.
［3］刘万才，刘振东，黄冲，等. 近 10 年农作物主要病虫害发生危害情况的统计和分析［J］. 植物保护，2016，42(5)：1-9.
［4］江顺，黄红星，莫里楠，等. 基于改进AlexNet的岭南水稻虫害识别方法研究［J］. 江苏农业科学，2023，51(23)：187-195.
［5］梁万杰，曹宏鑫. 基于卷积神经网络的水稻虫害识别［J］. 江苏农业科学，2017，45(20)：241-243，253.
［6］郑果，姜玉松，沈永林. 基于改进YOLO v7的水稻害虫识别方法［J］. 华中农业大学学报 (自然科学版)，2023，42(3)：143-151.
［7］曾伟辉，张文凤，陈鹏，等. 基于SCResNeSt的低分辨率水稻害虫图像识别方法［J］. 农业机械学报，2022，53(9)：277-285.
［8］巨志勇，易成，周重臣，等. YOLO-Rice：一种基于YOLO v5的水稻虫害检测［J/OL］. 控制工程，2004：1-10(2024-03-15)［2024-05-30］. https：//doi.org/10.14107/j.cnki.kzgc.20231000.
［9］崔金荣，魏文钊，赵敏. 基于改进MobileNet v3的水稻病害识别模型［J］. 农业机械学报，2023，54(11)：217-224，276.
［10］Wu T Y，Tang S，Zhang R，et al. CGNet：a light-weight context guided network for semantic segmentation［J］. IEEE Transactions on Image Processing，2020，30：1169-1179.
［11］Chollet F. Xception：deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)，Honolulu，HI：IEEE，2017：1251-1258.
［12］Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV，USA：IEEE，2016：779-788.
［13］Redmon J，Farhadi A. YOLO9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，HI：IEEE，2017：7263-7271.
［14］Redmon J，Farhadi A. YOLO v3：an incremental improvement［EB/OL］. (2018-04-08)［2024-01-20］. http：//arxiv.org/abs/1804.02767.
［15］Bochkovskiy A，Wang C Y，Liao H Y M. YOLO v4：optimal speed and accuracy of object detection［EB/OL］. ［2024-01-20］. http：//arxiv.org/abs/2004.10934.
［16］Ge Z，Liu S T，Wang F，et al. YOLOX：exceeding YOLO series in 2021［EB/OL］. (2021-07-18)［2024-01-20］. http：//arxiv.org/abs/2107.08430.
［17］Li C Y，Li L L，Jiang H L，et al. YOLO v6：a single-stage object detection framework for industrial applications［EB/OL］. (2022-09-07)［2024-01-20］. http：//arxiv.org/abs/2209.02976.
［18］Wang C Y，Bochkovskiy A，Liao H Y M. YOLO v7：trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver：IEEE，2023：7464-7475.
［19］Xu X Z，Jiang Y Q，Chen W H，et al. DAMO-YOLO：a report on real-time object detection design［EB/OL］. (2022-11-23)［2024-01-20］. http：//arxiv.org/abs/2211.15444.
［20］杨佳昊，左昊轩，黄祺成，等. 基于YOLO v5s的作物叶片病害检测模型轻量化方法［J］. 农业机械学报，2023，54(增刊1)：222-229.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2024-03-23
基金项目：国家自然科学基金面上项目(编号：62077018)；湖北省自然科学基金(编号：2023AFB082)。
作者简介：桂余鹏(1999—)，男，湖北襄阳人，硕士研究生，研究方向为深度学习与目标检测。E-mail：2022710691@yangtzeu.edu.cn。
通信作者：胡蓉华，博士，讲师，研究方向为网络与信息安全。E-mail：hrh2016@yangtzeu.edu.cn。
更新日期/Last Update: 2024-10-20