基于改进YOLO v8s的小麦小穗赤霉病检测研究

为实现大田复杂背景下小麦小穗赤霉病快速准确识别，构建了包含冬小麦开花期、灌浆期和成熟期3个生育期共计640幅的小麦赤霉病图像数据集，并提出一种基于改进YOLO v8s的小麦小穗赤霉病识别方法。首先，利用全维动态卷积ODConv替换主干网络中的标准Conv,提高网络对目标区域特征的提取；然后，在Neck网络使用改进Efficient RepGFPN特征融合网络实现低层特征与高层语义信息的融合，使模型能够提取更丰富的特征信息；最后，采用EIoU损失函数替换CIoU损失函数，加快模型收敛速度，进一步提高模型准确率，实现对小麦小穗赤霉病的快速、准确识别。在自建的数据集上进行模型验证，结果表明，改进模型(OCE-YOLO v8s)对小麦小穗赤霉病的检测精度达到98.3%,相比原模型提高2个百分点；与Faster R-CNN、CenterNet、YOLO v5s、YOLO v6s、YOLO v7模型相比分别提高36、25.7、2.1、2.6、3.9个百分点。提出的OCE-YOLO v8s模型能有效实现小麦小穗赤霉病精确检测，可为大田环境下农作物病虫害实时监测提供参考。