doi：10.15889/j.issn.1002-1302.2024.20.033

摘要：針對真實(shí)場景下水稻蟲害識別的背景復(fù)雜、模型計算量和參數(shù)量大以及難以在嵌入式設(shè)備或移動設(shè)備上部署等問題，在YOLO v8的基礎(chǔ)上提出一種改進(jìn)的輕量化的YOLO v8-Rice水稻蟲害檢測算法。首先，采用Context Guided Block結(jié)構(gòu)替換傳統(tǒng)YOLO v8中C2f模塊的Bottleneck結(jié)構(gòu)，增強(qiáng)模型的上下文信息理解能力，壓縮模型的權(quán)重；然后，使用深度可分離卷積代替?zhèn)鹘y(tǒng)YOLO v8中的標(biāo)準(zhǔn)卷積，以降低參數(shù)量、計算量；最后，將檢測頭重構(gòu)為輕量級共享卷積檢測頭，以進(jìn)一步降低參數(shù)量、計算量，并提高模型對多尺度蟲害特征的定位和提取能力，使其能夠更好地適應(yīng)不同尺寸、復(fù)雜度的蟲害狀況。結(jié)果表明，相比于傳統(tǒng)YOLO v8，YOLO v8-Rice算法在計算量、參數(shù)量方面分別減小70.5%、61.7%，模型的權(quán)重文件大小降低至1.94 MB，僅為YOLO v8n的32.4%，并且在平均精度上達(dá)到94.1%，與其他模型相比明顯提高。該算法在水稻蟲害檢測方面的性能取得了顯著提升。借助輕量化網(wǎng)絡(luò)模型及優(yōu)化模型的部署，使其更適合在移動設(shè)備或嵌入式設(shè)備中部署，可為實(shí)際農(nóng)業(yè)場景中的水稻蟲害檢測提供更可行的解決方案，可以準(zhǔn)確地檢測定位和分類水稻蟲害。

關(guān)鍵詞：水稻蟲害檢測；輕量化YOLO v8-Rice；Context Guided Block；深度可分離卷積；輕量級共享卷積檢測頭

中圖分類號：S126；S435.112；TP391.41" 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2024）20-0277-08

收稿日期：2024-03-23

基金項目：國家自然科學(xué)基金面上項目（編號：62077018）；湖北省自然科學(xué)基金（編號：2023AFB082）。

作者簡介：桂余鵬（1999—），男，湖北襄陽人，碩士研究生，研究方向為深度學(xué)習(xí)與目標(biāo)檢測。E-mail：2022710691@yangtzeu.edu.cn。

通信作者：胡蓉華，博士，講師，研究方向為網(wǎng)絡(luò)與信息安全。E-mail：hrh2016@yangtzeu.edu.cn。

水稻種植在確保我國的糧食供應(yīng)、促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展方面扮演著至關(guān)重要的角色［1］。然而，在水稻的生長周期中，眾多病蟲害頻繁且嚴(yán)重的侵襲對水稻產(chǎn)量及其質(zhì)量產(chǎn)生了較為惡劣的負(fù)面影響［2］。有數(shù)據(jù)顯示，2006—2015年，我國水稻由病蟲害導(dǎo)致的損失占比達(dá)33.67%，但是通過有效的防治手段，能夠成功挽回其中55.18%的潛在損失，表明綜合性的植物保護(hù)策略對于維護(hù)水稻生產(chǎn)的穩(wěn)定性具有重大貢獻(xiàn)［3］。

傳統(tǒng)的水稻蟲害識別和診斷主要依靠人工的直接觀察與基于經(jīng)驗的判斷，這種方式在實(shí)施上存在效率低下的問題，同時，由于其結(jié)果受到個人經(jīng)驗和主觀判斷的限制，可能導(dǎo)致準(zhǔn)確性的波動。近年來，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域的迅猛發(fā)展，這些先進(jìn)的技術(shù)在農(nóng)業(yè)害蟲及疾病識別上實(shí)現(xiàn)了重大突破，給水稻種植業(yè)的可持續(xù)增長帶來了希望。江順等提出了一種改進(jìn)的水稻害蟲識別技術(shù)，該技術(shù)以AlexNet為基礎(chǔ)框架，通過引入額外的深層卷積層，去除局部響應(yīng)歸一化層和全連接層，并采用修正線性單元作為激活函數(shù)，以提高在多變環(huán)境下對水稻害蟲的識別精度［4］。梁萬杰等針對水稻蟲害識別問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的水稻二化螟蟲害識別方法，通過對圖像進(jìn)行預(yù)處理、重新設(shè)計卷積神經(jīng)網(wǎng)絡(luò)模型，增強(qiáng)了網(wǎng)絡(luò)模型對水稻二化螟害蟲識別的抗干擾性和魯棒性［5］。鄭果等以MobileNet v3作為骨干網(wǎng)絡(luò)，對YOLO v7網(wǎng)絡(luò)進(jìn)行改進(jìn)，并構(gòu)建了基于特征金字塔的多尺度神經(jīng)網(wǎng)絡(luò)模型，提升了小個體害蟲的識別精度，實(shí)現(xiàn)了水稻蟲害遠(yuǎn)程實(shí)時自動化識別［6］。曾偉輝等使用增強(qiáng)型超分辨率生成對抗網(wǎng)絡(luò)對低分辨率圖像進(jìn)行數(shù)據(jù)增強(qiáng)，通過構(gòu)建SCResNeSt網(wǎng)絡(luò)并在骨干網(wǎng)絡(luò)中使用ResNeSt block以進(jìn)一步提升對圖像中害蟲信息獲取的準(zhǔn)確性，實(shí)現(xiàn)了野外實(shí)際場景下水稻害蟲識別的應(yīng)用需求［7］。巨志勇等在傳統(tǒng)YOLO v5s模型的基礎(chǔ)上融合了CA注意力機(jī)制，并更換PANet為BiFPN結(jié)構(gòu)，使用CARAFE結(jié)構(gòu)來代替原始的上采樣模塊，替換損失函數(shù)為EIoU等操作，提出了一種高效快速的檢測算法YOLO-Rice，具有更高的準(zhǔn)確率、魯棒性［8］。崔金榮等針對水稻病害識別方法準(zhǔn)確度低、模型收斂速度緩慢的問題，在MobileNet v3基礎(chǔ)上，通過微調(diào)的遷移學(xué)習(xí)策略完善了模型的訓(xùn)練，然后添加了CA模塊，最終加入SVM多分類器，實(shí)現(xiàn)了高性能、易部署的水稻病害分類識別目標(biāo)［9］。

上述方法雖然都可以較為精準(zhǔn)地識別研究目標(biāo)，但是很少考慮到所提方法是否能夠兼顧精度、參數(shù)量、計算量及模型大小。為了解決此類問題，本研究提出一種基于YOLO v8-Rice的水稻蟲害檢測算法。該算法通過改進(jìn)YOLO v8，旨在實(shí)現(xiàn)模型輕量化的同時，保證模型的性能，以滿足在嵌入式設(shè)備或移動設(shè)備終端進(jìn)行實(shí)時監(jiān)測的需求。本研究的主要貢獻(xiàn)有3點(diǎn)：（1）替換C2f中的Bottleneck為Context Guided Block［10］，增強(qiáng)網(wǎng)絡(luò)處理局部特征、周圍上下文和全局上下文信息的能力，并有效融合這些信息，提高模型對特征的定位精度及對其周圍環(huán)境的理解能力；（2）替換標(biāo)準(zhǔn)卷積為深度可分離卷積［11］，有效減少了模型的參數(shù)量、計算量，在保持模型檢測性能穩(wěn)定性的同時，提高了模型的運(yùn)行效率；（3）輕量級共享卷積檢測頭，重新設(shè)計檢測頭結(jié)構(gòu)，通過使用共享卷積，大幅減小模型的參數(shù)量、計算量，進(jìn)一步壓縮模型的權(quán)重文件大小，提升檢測頭的定位和分類性能，并且能夠提升模型對多尺度特征的理解能力。

1" 材料與方法

1.1" 數(shù)據(jù)集介紹

本研究所用數(shù)據(jù)集樣本主要來源于2個不同的途徑，一是Kaggle在線數(shù)據(jù)科學(xué)平臺，二是利用Baidu、Google、Bing等多個搜索引擎進(jìn)行檢索。經(jīng)過篩選和整理，建立了1個水稻蟲害的數(shù)據(jù)集，該數(shù)據(jù)集共有2 078張圖片，涵蓋7種不同的水稻蟲害類型，具體包括稻螟蛉卵、稻螟蛉蟲、稻螟蛉蛾、稻大螟幼蟲、點(diǎn)斑Ⅰ型稻綠蝽、點(diǎn)斑Ⅱ型稻綠蝽、全綠型稻綠蝽等，部分水稻害蟲如圖1所示。本研究所用訓(xùn)練模型為YOLO系列格式的數(shù)據(jù)集，因此，采用LabelImg圖像工具標(biāo)記害蟲類型及其位置，生成xml類型的標(biāo)注文件，再將xml格式的文件轉(zhuǎn)換為YOLO訓(xùn)練的txt格式的文件。按照7 ∶2 ∶1的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集、測試集、驗證集。

1.2" YOLO v8網(wǎng)絡(luò)結(jié)構(gòu)

YOLO v8是Ultralytics公司在2023年1月10日開源的YOLO v5的下一個重大更新版本，YOLO v8繼承了YOLO系列［12-19］之前的成果，并在圖像分類、目標(biāo)檢測和實(shí)例分割等多個領(lǐng)域得到了廣泛應(yīng)用。YOLO v8發(fā)布時推出了5種不同尺寸的網(wǎng)絡(luò)模型，標(biāo)記為n、s、m、l和x，這些模型的大小依次遞增，精度也相應(yīng)提高。表1中展示了YOLO v8 5個版本的計算量和參數(shù)量。

考慮到移動設(shè)備和嵌入式設(shè)備的資源限制及對輕量化的需求，本研究采用參數(shù)量、計算量最小的YOLO v8n模型。如圖2所示，YOLO v8的主要

結(jié)構(gòu)包括骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、頭部網(wǎng)絡(luò)3個部分。在骨干網(wǎng)絡(luò)部分，YOLO v8使用了梯度流更豐富的C2f結(jié)構(gòu)，C2f主要負(fù)責(zé)特征的融合工作。該結(jié)構(gòu)的核心在于它能夠融合不同層級的特征圖，從而使模型獲取更加豐富的信息，這種融合機(jī)制顯著增強(qiáng)了模型對圖像內(nèi)容的識別能力，有助于減少在處理過程中的信息損耗。C2f模塊的設(shè)計使得YOLO v8能夠更有效地捕捉和利用圖像中的各種細(xì)節(jié)，從而提高了目標(biāo)檢測的準(zhǔn)確性。在頸部網(wǎng)絡(luò)部分，YOLO v8采用了C2f模塊、PANet結(jié)構(gòu)來進(jìn)行特征聚合，由淺到深逐層聚合信息。在頭部網(wǎng)絡(luò)部分，YOLO v8采用了主流的解耦頭結(jié)構(gòu)，將分類和檢測頭分離，同時采用了Anchor-Free策略。通過以上改進(jìn)策略，YOLO v8在損失計算和網(wǎng)絡(luò)結(jié)構(gòu)方面取得了顯著進(jìn)展。

1.3" YOLO v8-Rice網(wǎng)絡(luò)結(jié)構(gòu)

本研究算法YOLO v8-Rice是在YOLO v8的基礎(chǔ)上作出的改進(jìn)，其結(jié)構(gòu)如圖3所示。首先，將Context Guided Block取代C2f中的Bottleneck模塊，形成C2f_ContextGuided，以替代原網(wǎng)絡(luò)中的C2f模塊；然后，將原網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積替換為深度可分離卷積；最后，將檢測頭重新設(shè)計為輕量級共享卷積檢測頭，形成Detect_LSCD，以代替原網(wǎng)絡(luò)中的檢測頭結(jié)構(gòu)。

1.3.1" Context Guided Block模塊" 在YOLO v8中，C2f模塊由多個Bottleneck塊組成，每個塊都包含2個卷積層。這些卷積層對輸入特征圖進(jìn)行變換，提取出更高級別的特征表示。C2f模塊采用Bottleneck的設(shè)計理念，雖然可以使主干網(wǎng)絡(luò)學(xué)習(xí)到多尺度特征，但是同時也會使模型變大。在 YOLO v8-Rice 算法中，為了壓縮模型大小，同時提高主干網(wǎng)絡(luò)對上下文信息的理解能力，采用Context Guided Block結(jié)構(gòu)替換C2f中的Bottleneck結(jié)構(gòu)。

Context Guided Block結(jié)構(gòu)如圖4所示，主要由局部特征提取器、周圍上下文特征提取器、聯(lián)合特征提取器和全局上下文特征提取器組成。傳統(tǒng)的下采樣技術(shù)在處理圖像時可能會遇到一些問題，如信息損失、分辨率降低和感受野受限等，這些問題可能會影響模型對圖像中細(xì)節(jié)、整體結(jié)構(gòu)的把握，特別是在需要精確識別的任務(wù)（如蟲害檢測）中，這些限制可能會對模型的性能產(chǎn)生不利影響。為了解決這些問題，特引入Context Guided Block模塊，以幫助模型更好地捕捉害蟲與其周圍環(huán)境之間的關(guān)系。通過結(jié)合全局和局部的上下文信息，該模塊有助于提高模型在害蟲識別方面的準(zhǔn)確性。

Context Guided Block模塊主要包括2個步驟：

（1）局部特征的提取。使用了1個相當(dāng)于3×3標(biāo)準(zhǔn)卷積層的局部特征提取器，它從周圍的8個相鄰特征向量中學(xué)習(xí)局部特征。同時，為了獲取更大感受野并有效學(xué)習(xí)周圍上下文信息，還使用1個相當(dāng)于3×3空洞卷積的周圍上下文特征提取器。然后，聯(lián)合特征提取器，將局部特征提取器和周圍上下文特征提取器的輸出特征結(jié)合起來，并通過批量歸一化、參數(shù)化ReLU激活函數(shù)進(jìn)行處理。

（2）全局上下文特征的聚合。首先， 使用1個全

局平均池化層來收集全局上下文信息。然后，通過1個多層感知機(jī)進(jìn)一步提取這些全局上下文特征。最后，通過加權(quán)操作得到輸出的特征圖。

YOLO v8-Rice算法采用Context Guided Block結(jié)構(gòu)替代C2f中的Bottleneck結(jié)構(gòu)，從而提高模型對多尺度、多場景的適應(yīng)能力，增強(qiáng)模型對上下文信息的提取能力，提高模型在蟲害檢測任務(wù)中的性能和準(zhǔn)確性，在后面的試驗中也得到了證實(shí)。

1.3.2" 深度可分離卷積" YOLO v8中的標(biāo)準(zhǔn)卷積利用若干個多通道卷積核對輸入的多通道圖像進(jìn)行處理，既提取了通道特征，又提取了空間特征。雖然在目標(biāo)檢測模型中起到關(guān)鍵作用，但是其計算量大，容易造成參數(shù)冗余，并且占用的資源較多。

為了解決上述問題，在YOLO v8-Rice算法中引入深度可分離卷積代替標(biāo)準(zhǔn)卷積。深度可分離卷積由逐深度卷積和逐點(diǎn)卷積組成，逐深度卷積用于提取空間特征，逐點(diǎn)卷積用于提取通道特征，顯著減少了計算量、參數(shù)數(shù)量。

深度可分離卷積的結(jié)構(gòu)見圖5。在逐深度卷積過程中，通道數(shù)不變，寬度或高度改變，由于逐深度卷積的卷積核為單通道模式，需要對輸入的每個通道進(jìn)行卷積，得到與輸入特征圖通道數(shù)一致的輸出特征圖，因此在逐深度卷積中，輸入特征圖通道數(shù)、卷積核數(shù)及輸出特征圖數(shù)保持一致，因此可能會導(dǎo)致輸出的特征圖數(shù)過少，影響信息的有效性，此時就需要進(jìn)行逐點(diǎn)卷積。逐點(diǎn)卷積的實(shí)質(zhì)是用1×1的卷積核來控制維度，將所有通道進(jìn)行聚合。在逐點(diǎn)卷積的過程中，寬度或高度不變，通道數(shù)改變。

假設(shè)卷積核大小為DK×DK，輸入通道為M，輸出通道為N，輸出的特征圖尺寸為DF×DF，通過標(biāo)準(zhǔn)卷積后，參數(shù)量的計算公式如下：

Params（Conv）=DK×DK×M×N。（1）

標(biāo)準(zhǔn)卷積浮點(diǎn)運(yùn)算量為：

FLOPs（Conv）=DK×DK×M×N×DF×DF。（2）

通過深度可分離卷積的參數(shù)量為：

Params（DWConv）=DK×DK×M+M×N。（3）

深度可分離卷積浮點(diǎn)運(yùn)算量為：

FLOPs（DWConv）=DK×DK×M×DF×DF+M×N×DF×DF。（4）

對比深度可分離卷積和標(biāo)準(zhǔn)卷積的參數(shù)量和浮點(diǎn)運(yùn)算量，有：

Params（DWConv）Params（Conv）=DK×DK×M+M×NDK×DK×M×N=1N+1DK2；（5）

FLOPs（DWConv）FLOPs（Conv）=DK×DK×M×DF×DF+M×N×DF×DFDK×DK×M×N×DF×DF=1N+1DK2。（6）

由此可知，深度可分離卷積的參數(shù)量、浮點(diǎn)運(yùn)算量遠(yuǎn)遠(yuǎn)小于標(biāo)準(zhǔn)卷積。由于深度可分離卷積的浮點(diǎn)運(yùn)算量更小，能夠進(jìn)一步精簡計算模型，后續(xù)的試驗也為此提供了證明。

1.3.3" 輕量級共享卷積檢測頭" YOLO v8的檢測頭模塊采用Decoupled Head，其結(jié)構(gòu)如圖6所示。檢測頭將回歸分支和分類分支分離，每個分支都會進(jìn)行2個3×3卷積核的Conv模塊和1個1×1卷積核的Conv2d模塊，這樣會產(chǎn)生很多計算量、參數(shù)量。Conv模塊采用BatchNorm2d結(jié)構(gòu)，可以解決內(nèi)部協(xié)變量偏移，緩解梯度飽和問題。但是BatchNorm2d受限于批尺寸，對于較小的批尺寸，BatchNorm2d的表現(xiàn)可能較差。為了解決這些問題，YOLO v8-Rice算法中重新設(shè)計了一種輕量級共享卷積檢測頭，其結(jié)構(gòu)如圖7所示。

輕量級共享卷積檢測頭首先采用GroupNorm2d代替BatchNorm2d，GroupNorm2d將通道分為若干組，然后對組內(nèi)的通道進(jìn)行歸一化處理。由于GroupNorm2d是在組級別進(jìn)行歸一化處理，因此它可以顯著減小模型的計算量，并且它不依賴于批尺寸的大小，因此它適用于較小的批尺寸。這樣可以保證在保持歸一化效果的同時，減小模型的計算量。然后，先采用1×1的卷積核來將輸出的特征圖

維度固定為256×256，以減小模型的計算量，再將2個3×3的Conv_GN卷積進(jìn)行串聯(lián)，統(tǒng)一經(jīng)過這2個卷積實(shí)現(xiàn)參數(shù)共享，減小參數(shù)量。最后，為了應(yīng)對每個檢測頭檢測的目標(biāo)尺度不一致的問題，使用Scale層對特征進(jìn)行縮放，從而有效提高模型的多尺度檢測能力。

2" 結(jié)果與分析

2.1" 評價指標(biāo)

本研究采用的評價指標(biāo)有平均精度（mAP@0.5）［20］、參數(shù)量、計算量和模型權(quán)重。

mAP是目標(biāo)檢測任務(wù)中常用的性能評估指標(biāo)之一，用于衡量模型在不同類別上的平均精度。mAP@0.5表示當(dāng)IoU閾值設(shè)定為0.5時的平均精度，即當(dāng)IoU閾值≥0.5時，認(rèn)為預(yù)測框和真實(shí)框是匹配的。mAP的計算公式如下：

mAP=1N∫10Precision（Recall）d（Recall）。（7）

式中：Precision表示準(zhǔn)確率；Recall表示召回率；N表示預(yù)測的類別數(shù)。

參數(shù)量是衡量模型復(fù)雜度、計算成本的一個重要指標(biāo)，指的是模型中可訓(xùn)練參數(shù)的總數(shù)，較低的數(shù)值通常表示模型更輕量化，更利于在資源受限的情況下部署。

計算量是模型進(jìn)行推理所需的浮點(diǎn)運(yùn)算次數(shù)的度量，它反映了模型在進(jìn)行目標(biāo)檢測時的計算復(fù)雜度。計算量越大，表明模型通常越復(fù)雜，需要更多計算資源和時間。

模型權(quán)重大小即模型所有層參數(shù)所占用的存儲空間，影響著模型的加載速度、存儲成本、能耗及部署的便利性。較小的模型通常意味著模型更輕量化及更容易完成部署。

2.2" 試驗環(huán)境的配置

本研究通過搭建PyTorch深度學(xué)習(xí)框架，對自定義數(shù)據(jù)集進(jìn)行訓(xùn)練和測試。操作系統(tǒng)選用Windows專業(yè)工作站版21H2，CPU為Intel i5-12490F，GPU為GeForce RTX 3080Ti，顯存為 12 GB，內(nèi)存為32 GB，訓(xùn)練環(huán)境配置為Python 3.9.18，Pytorch 2.1.0，Cuda 11.8，YOLO v8版本為8.1.9。試驗時間為2023年9至2024年2月，試驗地點(diǎn)為長江大學(xué)東校區(qū)3號教學(xué)樓。

2.3" 消融試驗

為了更好地驗證YOLO v8-Rice算法的有效性，本研究進(jìn)行了消融試驗，共試驗了3種不同改進(jìn)方法，使用同樣的數(shù)據(jù)集劃分進(jìn)行測試，epoch設(shè)置為200。

由表2可以看出，改進(jìn)1通過將YOLO v8中C2f模塊的Bottleneck結(jié)構(gòu)替換為Context Guided Block結(jié)構(gòu)，模型的mAP@0.5基本不變，同時參數(shù)量、計算量分別降低了30.1%、28.4%，模型權(quán)重大小壓縮了1.7 MB，說明模型融合信息的能力有所增強(qiáng)，對上下文的理解能力有所提升，這一改進(jìn)對于水稻蟲害檢測的輕量化非常有幫助。改進(jìn)2在改進(jìn)1的基礎(chǔ)上，將YOLO v8n中的標(biāo)準(zhǔn)卷積替換為深度可分離卷積，模型的mAP@0.5略微回升，同時參數(shù)量、計算量大幅降低，模型權(quán)重大小得到進(jìn)一步壓縮，這一改進(jìn)有效減小了模型的參數(shù)量、計算量，提升了模型檢測性能的穩(wěn)定性。改進(jìn)3在改進(jìn)2的基礎(chǔ)上，將檢測頭重構(gòu)為輕量級共享卷積檢測頭，提升了模型對多尺度特征的理解能力，模型的mAP@0.5進(jìn)一步得到提升，同時參數(shù)量、計算量分別降低至基礎(chǔ)模型的29.5%、38.3%，模型權(quán)重大小僅為1.94 MB，這一改進(jìn)提升了模型的定位和識別水稻蟲害的能力，實(shí)現(xiàn)了模型的輕量化。通過上述消融試驗的全面評估，驗證了在基礎(chǔ)模型上，不同改進(jìn)都表現(xiàn)出優(yōu)異性能。

2.4" 對比試驗

為了進(jìn)一步驗證YOLO v8-Rice算法的效果。本研究選取YOLO v3-tiny、YOLO v5n、YOLO v6n、YOLO v8n及常見的RepViT、FasterNet、EfficientViT來優(yōu)化YOLO v8n的骨干網(wǎng)絡(luò)，與YOLO v8-Rice算法進(jìn)行對比試驗，試驗?zāi)Ｐ偷膶Ρ冉Y(jié)果如表3所示。為了保證試驗結(jié)果的嚴(yán)謹(jǐn)，本研究中所有模型的參數(shù)設(shè)定都保持一致。

由表3可知，YOLO v8-Rice算法在目標(biāo)檢測任務(wù)中具有顯著的優(yōu)越性。首先，YOLO v8-Rice的mAP@0.5達(dá)到了94.1%，明顯高于其他模型，表明其在水稻蟲害中定位害蟲、識別害蟲方面具有出色的準(zhǔn)確性。與YOLO v8n相比，YOLO v8-Rice算法的參數(shù)量、計算量分別降低了70.5%、61.7%，模型的權(quán)重文件大小壓縮了67.6%，并且mAP@0.5還有0.3%的提升。上述結(jié)果表明，YOLO v8-Rice在保持高識別精度的同時，大幅度減小了參數(shù)量、計算

量，模型的權(quán)重文件大小也得到了極大壓縮，證明了本研究中輕量化改進(jìn)的有效性，能夠滿足水稻蟲害識別的實(shí)際需求。

綜上所述，本研究提出的YOLO v8-Rice算法在mAP@0.5、參數(shù)量、計算量及模型權(quán)重等多個關(guān)鍵性能指標(biāo)方面均展現(xiàn)了顯著的優(yōu)勢，具有輕量化、高性能特性，使其在水稻蟲害檢測中具有廣泛的應(yīng)用潛力。

3" 結(jié)論

本研究針對水稻蟲害識別的背景復(fù)雜、模型計算量和參數(shù)量大，以及難以在嵌入式設(shè)備或移動設(shè)備上部署等問題，在YOLO v8的基礎(chǔ)上，提出了一種改進(jìn)的輕量化YOLO v8-Rice模型。通過將YOLO v8中C2f模塊的Bottleneck結(jié)構(gòu)替換為Context Guided Block結(jié)構(gòu)，將YOLO v8n中的標(biāo)準(zhǔn)卷積替換為深度可分離卷積，將檢測頭重構(gòu)為輕量級共享卷積檢測頭，試驗結(jié)果的mAP@0.5高達(dá)94.1%，參數(shù)量、計算量分別為0.888 M、3.1 G，模型的權(quán)重文件大小為1.94 MB，表明YOLO v8-Rice在識別水稻蟲害方面有相對更好的效果，實(shí)現(xiàn)了對7類常見水稻蟲害的有效識別。YOLO v8-Rice模型更加適應(yīng)真實(shí)環(huán)境，多尺度特征學(xué)習(xí)能力有所增強(qiáng)，與YOLO v8n相比，mAP@0.5提升了0.3百分點(diǎn)，并且參數(shù)量、計算量分別降低了70.5%、61.7%，模型的權(quán)重文件大小壓縮了67.6%，驗證了改進(jìn)的有效性，并且該方法可以推廣到其他農(nóng)作物蟲害的識別問題上。

綜上所述，本研究提出的YOLO v8-Rice算法實(shí)現(xiàn)了模型的輕量化，并且在目標(biāo)檢測任務(wù)中取得了顯著的性能優(yōu)勢，為真實(shí)場景下水稻蟲害檢測的應(yīng)用提供了更經(jīng)濟(jì)、準(zhǔn)確、高效的解決方案。未來的研究可以進(jìn)一步優(yōu)化算法、提高蟲害的檢測速度、進(jìn)一步豐富數(shù)據(jù)集以提升模型的泛化性能。

參考文獻(xiàn)：

［1］呂" 亮，常向前，張" 舒. 水稻害蟲綠色防控技術(shù)應(yīng)用研究現(xiàn)狀及展望［J］. 環(huán)境昆蟲學(xué)報，2021，43（3）：623-632.

［2］趙" 景，蔡萬倫，沈櫟陽，等. 水稻害蟲綠色防控技術(shù)研究的發(fā)展現(xiàn)狀及展望［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2022，41（1）：92-104.

［3］劉萬才，劉振東，黃" 沖，等. 近 10 年農(nóng)作物主要病蟲害發(fā)生危害情況的統(tǒng)計和分析［J］. 植物保護(hù)，2016，42（5）：1-9.

［4］江" 順，黃紅星，莫里楠，等. 基于改進(jìn)AlexNet的嶺南水稻蟲害識別方法研究［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（23）：187-195.

［5］梁萬杰，曹宏鑫. 基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識別［J］. 江蘇農(nóng)業(yè)科學(xué)，2017，45（20）：241-243，253.

［6］鄭" 果，姜玉松，沈永林. 基于改進(jìn)YOLO v7的水稻害蟲識別方法［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報 （自然科學(xué)版），2023，42（3）：143-151.

［7］曾偉輝，張文鳳，陳" 鵬，等. 基于SCResNeSt的低分辨率水稻害蟲圖像識別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2022，53（9）：277-285.

［8］巨志勇，易" 成，周重臣，等. YOLO-Rice：一種基于YOLO v5的水稻蟲害檢測［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］崔金榮，魏文釗，趙" 敏. 基于改進(jìn)MobileNet v3的水稻病害識別模型［J］. 農(nóng)業(yè)機(jī)械學(xué)報，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，F(xiàn)arhadi A. YOLO9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，HI：IEEE，2017：7263-7271.

［14］Redmon J，F(xiàn)arhadi 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］楊佳昊，左昊軒，黃祺成，等. 基于YOLO v5s的作物葉片病害檢測模型輕量化方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2023，54（增刊1）：222-229.