基于改进YOLOv8卷积神经网络的稻田苗期杂草检测方法

来源：湖北农业科学杂志2024年第8期北京时间：

作者：林宗缪1, 马超2,3, 胡冬2,3

单位：1.上海市质量监督检验技术研究院,上海 201114; 2.上海市农业科学院农业科技信息研究所,上海 201403; 3.农业农村部长三角智慧农业技术重点实验室,上海 201403

摘要：针对田间自然环境拍摄下稻田背景复杂,苗期杂草图像尺寸过小、识别定位不准确等问题,提出了一种改进YOLOv8卷积神经网络的苗期杂草检测方法。参照PASCAL VOC数据集格式,构建了一套专用的数据集。首先,在网络卷积过程中加入DenseNet（密集连接网络）更好地对杂草特征进行提取,优化梯度消失问题。然后,添加CBAM（Convolutional block attention module）注意力机制改善模型对小尺寸的敏感度。最后,使用WIOU（Weighted intersection over union）损失函数来优化原网络中的损失函数,提升模型对检测目标的定位能力。在试验中,将改进的算法与Faster R-CNN、SSD（Single shot multiBox detector）以及原始YOLOv8等算法进行了性能对比。结果显示,改进算法明显优于其他算法,在测试集上的平均精度均值和检测速度分别达97.0%和100.3帧/s。这种高精度和快速的检测能力满足了精准农业中对快速、精准检测的需求。该算法为机械设备快速识别苗期杂草、精准喷洒农药提供了重要的理论和技术支持。

关键词：YOLOv8,卷积神经网络,苗期杂草,目标检测

基金资助：上海市市场监督管理局科研计划项目（2022-52）