|本期目录/Table of Contents|

[1]张立强,武玲梅,蒋林利,等.基于改进YOLO v8s的葡萄叶片病害检测[J].江苏农业科学,2024,52(21):221-228.
　Zhang Liqiang,et al.Detection of grape leaf disease based on improved YOLO v8s[J].Jiangsu Agricultural Sciences,2024,52(21):221-228.
点击复制

基于改进YOLO v8s的葡萄叶片病害检测(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21期
页码:
221-228
栏目:
农业工程与信息技术
出版日期:
2024-11-05

文章信息/Info

Title:
Detection of grape leaf disease based on improved YOLO v8s
作者:
张立强1; 武玲梅1; 蒋林利1; 黄鸿柳1; 2
1.广西科技师范学院人工智能学院，广西来宾 546199； 2.南京师范大学计算机与电子信息学院/人工智能学院，江苏南京 210023
Author(s):
Zhang Liqiang; et al
关键词:
葡萄病害; YOLO v8; 注意力机制; 动态蛇形卷积; 小目标检测
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对葡萄叶片病害检测技术存在特征提取能力不足、精度不高、漏检等问题，以葡萄叶片3种病害为研究对象，提出一种基于YOLO v8s改进的检测模型。在主干网引入全局注意力机制，通过融合跨维度信息，增强主干特征提取能力。在主干网末端，引入动态蛇形卷积替换原算法的卷积网络，增强网络对几何变形的感知，以更高的精度捕获图像中复杂几何特征。在输出端改进边框位置回归损失函数，引入Focal-EIoU损失函数，平衡不同类别和不同质量的样本，提高边界框的回归精度。在输出端通过增加小目标检测头，提高算法对小目标的检测性能。结果表明，改进后的模型在mAP@0.5、mAP@0.5 ∶0.95分别达到90.9%、58.0%，相比YOLO v8s提高了4.5、3.1百分点；FPS达到132.6帧/s，满足实时检测要求，并且与其他5种非基线代表性检测模型相比，具有更高的检测精度和速度，为葡萄病害检测提供了一种更优的方法，对于防治葡萄病害具有重要意义。
Abstract:
-

参考文献/References:

［1］蔡全新. 我国葡萄种植产业发展现状及对策［J］. 乡村科技，2020(20)：18-19.
［2］王鹏. 基于深度学习的葡萄叶片病害识别方法研究［D］. 杨凌：西北农林科技大学，2022.
［3］Wang Z B，Wang K Y，Pan S H，et al. Segmentation of crop disease images with an improved K-means clustering algorithm［J］. Applied Engineering in Agriculture，2018，34(2)：277-289.
［4］Zhang D Y，Chen G，Zhang H H，et al. Integration of spectroscopy and image for identifying fusarium damage in wheat kernels［J］. Spectrochimica Acta(Part A，Molecular and Biomolecular Spectroscopy)，2020，236：118344.
［5］Zhang C L，Zhang S W，Yang J C，et al. Apple leaf disease identification using genetic algorithm and correlation based feature selection method［J］. Int J Agric & Biol Eng，2017，10(2)：74-83.
［6］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6)：1137-1149.
［7］李就好，林乐坚，田凯，等. 改进 Faster R-CNN 的田间苦瓜叶部病害检测［J］. 农业工程学报，2020，36(12)：179-185.
［8］文斌，曹仁轩，杨启良，等. 改进YOLO v3算法检测三七叶片病害［J］. 农业工程学报，2022，38(3)：164-172.
［9］孙丰刚，王云露，兰鹏，等. 基于改进YOLO v5s和迁移学习的苹果果实病害识别方法［J］. 农业工程学报，2022，38(11)：171-179.
［10］雷建云，叶莎，夏梦，等. 基于改进YOLO v4的葡萄叶片病害检测［J］. 中南民族大学学报(自然科学版)，2022，41(6)：712-719.
［11］苏俊楷，段先华，叶赵兵. 改进YOLO v5算法的玉米病害检测研究［J］. 计算机科学与探索，2023，17(4)：933-941.
［12］Niu Z Y，Zhong G Q，Yu H. A review on the attention mechanism of deep learning［J］. Neurocomputing，2021，452：48-62.
［13］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA：IEEE，2018：7132-7141.
［14］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［M］//Lecture notes in computer science.Cham：Springer International Publishing，2018：3-19.
［15］Park J，Woo S，Lee J Y，et al. BAM：bottleneck attention module［EB/OL］. ［2024-02-11］.http：//arxiv.org/abs/1807.06514 .
［16］Misra D，Nalamada T，Arasanipalai A U，et al. Rotate to attend：convolutional triplet attention module［C］//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. Waikoloa：IEEE，2021：3139-3148.
［17］Liu Y C，Shao Z R，Hoffmann N.Global attention mechanism：retain information to enhance channel-spatial interactions［EB/OL］.(2021-10-10)［2024-04-10］.https：//arxiv.org/pdf/2112.05561.
［18］Qi Y L，He Y T，Qi X M，et al. Dynamic snake convolution based on topological geometric constraints for tubular structure segmentation［C］//2023 IEEE/CVF International Conference on Computer Vision (ICCV). Paris：IEEE，2023：6047-6056.
［19］Yu J H，Jiang Y N，Wang Z Y，et al. UnitBox：an advanced object detection network［C］//Proceedings of the 24th ACM international conference on Multimedia.Amsterdam The Netherlands.ACM，2016：516-520.
［20］Rezatofighi H，Tsoi N，Gwak J，et al. Generalized intersection over union：a metric and a loss for bounding box regression［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Long Beach，CA，USA：IEEE，2019：658-666.
［21］Zheng Z H，Wang P，Liu W，et al. Distance-IoU loss：faster and better learning for bounding box regression［J］. Proceedings of the AAAI Conference on Artificial Intelligence，2020，34(7)：12993-13000.
［22］李滨，樊健. 基于YOLO v5的水稻害虫分类［J］. 江苏农业科学，2024，52(2)：175-182.
［23］Lin T Y，Goyal P，Girshick R，et al. Focal loss for dense object detection［C］//2017 IEEE International Conference on Computer Vision (ICCV).Venice，Italy：IEEE，2017：2999-3007.

相似文献/References:

[1]王利伟,徐晓辉,苏彦莽,等.基于计算机视觉的葡萄叶部病害识别研究[J].江苏农业科学,2017,45(23):222.
　Wang Liwei,et al.Study on recognition of grape leaf diseases based on computer vision[J].Jiangsu Agricultural Sciences,2017,45(21):222.
[2]戴久竣,马肄恒,吴坚,等.基于改进残差网络的葡萄叶片病害识别[J].江苏农业科学,2023,51(5):208.
　Dai Jiujun,et al.Grape leaf disease identification based on improved residual network[J].Jiangsu Agricultural Sciences,2023,51(21):208.
[3]许文燕.基于轻量化神经网络的葡萄叶部病害检测装置研制[J].江苏农业科学,2023,51(19):181.
　Xu Wenyan.Development of grape leaf disease detection device based on lightweight neural network[J].Jiangsu Agricultural Sciences,2023,51(21):181.
[4]李志良,李梦霞,董勇,等.基于改进YOLO v8的轻量化玉米害虫识别方法[J].江苏农业科学,2024,52(14):196.
　Li Zhiliang,et al.Lightweight corn pest recognition method based on enhanced YOLO v8[J].Jiangsu Agricultural Sciences,2024,52(21):196.
[5]叶琪,王丽芬,马明涛,等.基于改进YOLO v8的草莓病害检测方法[J].江苏农业科学,2024,52(20):250.
　Ye Qi,et al.Strawberry disease detection method based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2024,52(21):250.
[6]李龙,李梦霞,李志良.基于改进YOLO v8的水稻害虫识别方法[J].江苏农业科学,2024,52(20):209.
　Li Long,et al.Rice pest identification method based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2024,52(21):209.
[7]鲍宜帆,张一丹,樊彩霞,等.基于深度学习的草莓成熟度检测方法[J].江苏农业科学,2025,53(5):89.
　Bao Yifan,et al.Study on strawberry maturity detection method based on deep learning[J].Jiangsu Agricultural Sciences,2025,53(21):89.
[8]沈桂芳,张平.基于改进YOLO v8的温室草莓成熟度智能实时识别[J].江苏农业科学,2025,53(5):62.
　Shen Guifang,et al.Intelligent real-time recognition of strawberry maturity in greenhouses based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2025,53(21):62.
[9]刘宇雄,兰艳亭,陈晓栋.基于级联式分组注意力机制的葡萄病害识别模型[J].江苏农业科学,2025,53(5):121.
　Liu Yuxiong,et al.Grape disease recognition model based on cascaded group attention mechanism[J].Jiangsu Agricultural Sciences,2025,53(21):121.
[10]曾林涛,马嘉昕,丁羽,等.基于改进YOLO v8的苹果叶部病害检测方法[J].江苏农业科学,2025,53(5):147.
　Zeng Lintao,et al.An apple leaf disease detection method based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2025,53(21):147.

备注/Memo

备注/Memo:
收稿日期：2024-04-18
基金项目：国家自然科学基金(编号：42065004)；广西高校中青年教师科研基础能力提升项目(编号：2023KY0884)；广西创新驱动发展专项(科技重大专项)(编号：桂科AA21077018)。
作者简介：张立强(1988—)，男，湖南湘潭人，硕士，高级工程师，主要从事农业病害、目标检测、深度学习研究。E-mail：1293320212@qq.com。
通信作者：蒋林利，硕士，教授，主要从事农业信息化、神经网络研究。E-mail：gksresearch@163.com。
更新日期/Last Update: 2024-11-05