基于EBP-YOLOv8的葡萄叶病害检测与识别方法研究

为提高实际环境中葡萄叶病害检测的准确率,适合视频实时监测、无人机等嵌入式AI应用场景,对YOLOv8目标检测模型从模型结构、轻量化等方面进行改进,构建了EBP-YOLOv8。首先在颈部网络中引入BiFPN结构,加强模型特征层之间的融合,改善对小目标的检测能力;其次使用C2_P来替换颈部网络中的C2f结构,实现模型的轻量化,在降低模型计算量的同时而不影响其精度;然后在特征提取网络中融入EMA注意力机制,提升网络对感兴趣区域的关注,提升模型对复杂背景、相似病斑的识别能力;最后将CIoU损失函数替换为ECIoU损失函数,进一步提升模型的检测性能,使模型能够更好地收敛。EBP-YOLOv8对比YOLOv8n、Faster-RCNN、RetinaNet、YOLOv8n、YOLOv8s、YOLOv7、YOLOv7-Tiny、YOLOv4-Tiny,mAP分别提升了3.2%、13.87%、3.49%、3.2%、1.3%、5%、4.7%、8.8%,模型大小仅5.3MB。改进后的算法在轻量化及保证实时性的同时有效提高了检测精度,可以为开发葡萄叶病害实时检测边缘系统提供有效参考。

基于改进YOLO v5n的葡萄叶病虫害检测模型轻量化方法

由于较大的参数量和较高的计算复杂度,直接在移动端部署通用检测及识别模型的难度较高。为了解决轻量化的移动端部署难题及提升移动设备上葡萄叶病害的检测能力,拟提出1种轻量化、高精度、实时性的检测模型。首先,引入Slimming算法对传统的YOLO v5n网络进行缩减,利用模型稀疏化训练、批归一化的缩放因子分布状况对不重要的通道进行筛选;其次,引入轻量级上采样算子CARAFE增加感受野,进行数据特征融合;最后,将边界框回归损失函数改进为WIoU损失函数,制定合适的梯度增益分配策略来获得更加精准的框定位提升模型对每个类别目标的检测能力。试验结果表明,改进后的模型能够在保持模型性能的情况下有效轻量化。与传统的YOLO v5n相比,改进后的算法mAP提高了0.2百分点,同时改进后的模型权重、参数量、计算量分别为1.6 MB、0.6 M、1.8 G,分别比原模型减少了58%、67%、57%,能够满足移动端和嵌入式设备的部署要求。