亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于輕量化YOLO v8-Rice的水稻蟲害檢測方法

        2024-12-31 00:00:00桂余鵬胡蓉華崔艷榮賈瀛睿
        江蘇農(nóng)業(yè)科學(xué) 2024年20期
        關(guān)鍵詞:蟲害輕量化卷積

        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.

        猜你喜歡
        蟲害輕量化卷積
        汽車輕量化集成制造專題主編
        基于3D-Winograd的快速卷積算法設(shè)計及FPGA實(shí)現(xiàn)
        桃樹主要蟲害及防治方法
        河北果樹(2020年4期)2020-11-26 06:05:04
        不用農(nóng)藥也能治蟲害
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        一種輕量化自卸半掛車結(jié)構(gòu)設(shè)計
        智富時代(2019年2期)2019-04-18 07:44:42
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        淺析白三葉的蟲害防治
        行道樹香櫞主要蟲害及其防治
        瞄準(zhǔn)掛車輕量化 鑼響掛車正式掛牌成立
        專用汽車(2016年1期)2016-03-01 04:13:19
        又黄又爽又色视频| 亚洲夜夜性无码| 国产精品激情| 欧美在线三级艳情网站| 久久99精品波多结衣一区| 亚洲中文高清乱码av中文| 操风骚人妻沉沦中文字幕| 内射爽无广熟女亚洲| 欧美成人三级一区二区在线观看| 亚洲日本VA午夜在线电影| 91久久精品一区二区| 亚洲av综合色区| 国产露脸精品产三级国产av| 一区在线播放| 各类熟女熟妇激情自拍| 男女猛烈拍拍拍无挡视频| 亚洲精品久久久久久| 亚洲AV无码一区二区三区精神| 久久久亚洲av午夜精品| 色欲网天天无码av| 久久国产成人午夜av影院| 国内精品九九久久精品小草| 人妻少妇中文字幕,久久精品| 波多野结衣久久精品99e| 无码人妻丰满熟妇精品区| 亚洲av乱码国产精品色| 亚洲av网站在线观看一页| 麻豆影视视频高清在线观看| 午夜成人无码福利免费视频| 一级一级毛片无码免费视频| 精品国产麻豆免费人成网站| 一本色道无码不卡在线观看| 久久综合久久鬼色| 亚州毛色毛片免费观看| 日韩一区二区三区熟女| 女女女女女裸体处开bbb| 欧美乱妇日本无乱码特黄大片| 高清亚洲精品一区二区三区| av无码精品一区二区三区| 亚洲精品综合一区二区三| 免费大学生国产在线观看p|