融入GhostNet和CBAM的YOLOv8水稻害虫识别算法

来源：中国农机化学报杂志2025年第11期北京时间：

作者：程盟盟, 郑泽林, 马泽亮, 吴小华

单位：(1. 连云港职业技术学院，江苏连云港，222002； 2. 新疆大学计算机科学与技术学院，乌鲁木齐市，830064； 3. 南京农业大学人工智能学院，南京市，210031)

摘要：水稻生产常受到各种害虫的威胁，导致产量和质量下降。由于水稻田环境复杂，存在光照变化、遮挡、背景干扰等问题，给害虫识别带来挑战。为此，提出一种基于YOLOv8的水稻害虫识别算法，融入轻量级网络GhostNet和卷积块注意力机制(CBAM)，以提升识别精度与计算效率。首先，通过GhostNet架构替换传统卷积层，在保持高性能的同时显著降低模型的计算负担。其次，嵌入CBAM注意力机制，使得算法能够自动调整对输入特征的关注度，优先处理关键害虫特征，进一步提升模型的鲁棒性。试验结果表明，该算法在水稻害虫数据集上的平均精度均值达到95.6%，相比于原始YOLOv8模型提升1.8%。该方法在提升识别精度的同时，保持良好的计算效率，适用于实际应用中害虫检测任务，为农作物的病虫害识别提供参考，推动智慧农业的技术创新。

关键词：水稻害虫识别,CBAM注意力机制,轻量级网络,智慧农业

基金资助：国家自然科学基金(31701321)