基于改进YOLOv8算法的实时细粒度植物病害检测

来源：中国农机化学报杂志2024年第5期北京时间：

作者：薛霞, 刘鹏, 周文

摘要：为解决现有识别方法在植物病害检测中遇到的密集分布、不规则形态、多尺度目标类别、纹理相似性等障碍，提出一种高性能的实时细粒度植物病害检测框架。首先，在YOLOv8主干网络和颈部设计两个新的残差块，增强特征提取和降低计算成本；其次，引入DenseNet层，并使用HardSwish函数作为主要激活函数，以提高模型的准确性；最后，设计PANet网络，用于保留细粒度的局部信息和改善特征融合。在不同的复杂环境下，对番茄植株的四种不同病害进行检测。试验结果表明，所提改进模型在检测准确性和速度上均优于现有模型的检测模型。当检测速度为71.23 FPS时，所提改进模型精确度为92.58%，召回率为97.59%，F1分数为93.64%。为精准农业自动化提供有效的技术手段。

关键词：植物病害检测,改进YOLOv8,实时目标检测,深度神经网络,残差网络

基金资助：运城学院博士科研启动项目（YQ—2022003）