农业机械学报

作者：张惠莉，代晨龙，任景龙，王光远，滕飞，王东伟

单位：青岛农业大学,青岛农业大学,青岛农业大学,青岛农业大学,青岛农业大学,青岛农业大学,

关键词：葡萄叶片;病害;图像识别;GhostNetV2;YOLO v8

基金：山东省自然科学基金项目(ZR2022MC152)、中央引导地方科技发展专项计划项目(23-1-3-6-zyyd-nsh)和山东省重点研发计划项目(2023TZXD023)

为进一步提高葡萄病害识别精度及速度，本文对YOLO v8模型进行了改进。首先，引入GhostNetV2主干特征提取网络，提高模型特征提取能力和识别性能。其次，嵌入SPPFCSPC金字塔池化，在保持感受野不变的情况下取得速度上的提升。再次，添加GAM-Attention注意力机制，减小信息缩减并放大特征信息，加快识别速度。最后，使用Focal-EIoU作为损失函数，使检测模型边界框回归性能得到提升，最终形成葡萄叶片病害识别模型YOLO v8-GSGF(YOLO v8+GhostNetV2+SPPFCSPC+GAM-Attention+Focal-EIoU)。经识别试验验证，YOLO v8-GSGF模型识别精度可达97.1%，推理时间为45.3ms，对各葡萄病害都能做到高精度识别。消融试验结果表明，各项改进均对模型识别性能有提升效果，其中，GhostNetV2主干网络对模型提升效果最为明显。YOLO v8-GSGF模型在消融试验中识别精度可达98.2%及推理时间为43.7ms，与原YOLO v8模型相比提升8.6个百分点及20.4ms，改进效果明显，可视化图更加直观地证明YOLO v8-GSGF模型可靠以及性能优越。与目前主流识别模型相比，YOLO v8-GSGF模型有更好的表现，识别精度和速度都更优，曲线图也直观地表明YOLO v8-GSGF模型性能优越，改进效果显著，能够满足葡萄果园病害识别的需求。

来源：2024年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第11期