基于改进YOLO v8的复杂环境下农田害虫检测算法

来源：江苏农业科学杂志2025年第第16期北京时间：

作者：楚家;肖敏;周迅;任东;余文畅

单位：1.三峡大学计算机与信息学院，湖北宜昌 443002； 2.三峡大学湖北省农田环境监测工程技术研究中心，湖北宜昌 443002

摘要：针对农田复杂环境中害虫体积小、分布密集、形态多变、数量庞大且分布不均等特性导致的识别检测难题，提出一种基于改进YOLO v8的害虫识别检测方法，该方法融合了可变形卷积v4(DCNv4)技术的优势，创新性地设计了C2f-DCNv4模块，该模块能够灵活对特征进行采样，从而更有效地捕捉不同尺寸害虫间的细微特征差异。在YOLO v8模型的Neck部分，采用动态群随机转换器(DGST)模块替换原有的C2f模块，不仅简化了网络结构，还显著提升了模型的性能。此外，将卷积注意力模块(CBAM)集成到YOLO v8模型中，使模型能够更加聚焦于害虫特征，进而提高识别的准确性。在损失函数上，采用WIoU损失函数替代传统的CIoU损失函数，以期提升模型的泛化能力和检测精度。在实际农田复杂场景中建立了1个数据集，并进行试验。结果显示，改进后的算法检测精确率达到了943%，召回率为932%，平均精确度达到了97.8%，分别比原来的模型提高了1.8、2.2、2.3百分点。从试验结果看，该算法在害虫的实际检测方面效果显著，为解决复杂环境下的害虫准确检测问题提供了新思路，具有重要的实用价值和研究意义。

关键词：害虫检测; DCNv4; DGST; YOLO v8