基于改进YOLO v8轻量化小麦病害检测方法研究

来源：江苏农业科学杂志2025年第第20期北京时间：

作者：尹利华;崔艳荣;曾龙军

单位：长江大学计算机科学学院，湖北荆州 434000

摘要：随着全球气候的不断变化和农业生产模式的持续调整，小麦病害的危害程度变得越来越复杂且多变。尽管深度学习技术在小麦病害检测领域已经展现出了良好的性能，但在面对复杂多变的实际种植环境时，其识别效果仍然存在一定的局限性。为了应对这一挑战，提出一种基于改进YOLO v8n的轻量化小麦病害检测方法，旨在提高在真实环境中对小麦病害的检测能力。该方法通过在YOLO v8n主干网络中引入ODConv，增强模型对小麦病害特征的提取能力，以提高模型性能和精确度。此外，在颈部网络中引入BiFPN特征融合网络，减少复杂背景的影响，BiFPN采用加权的特征融合机制，在训练过程中自动调节权重，以优化特征融合的效果获取更有价值的信息。最后，在颈部网络引入带GSConv的Slim-Neck，以减少模型的参数量和计算量，使网络模型达到轻量化的效果，同时能保持模型的精度。结果表明，改进后的OBS-YOLO v8网络模型精确率为91.3%，召回率为71.3%，mAP@0.5为77.3%，相对于原模型分别提高5.2、1.3、2.2百分点；其中参数量仅为2.8 M，同比下降10%，计算量仅为6.6 G，同比下降26%，不仅为在可部署的移动设备上使用小麦病害检测系统奠定了坚实的基础，还为在实际农业生产环境中高效、准确地检测小麦病害提供了一种切实可行的解决方案。期待这一研究成果能够推动农业智能化、信息化的发展进程，为构建现代农业产业体系、实现乡村振兴贡献力量。

关键词：小麦病害检测;YOLO v8n;深度学习;轻量化;ODConv;BiFPN;Slim-Neck