摘要：为提高水稻病虫害检测精度,解决病虫害种类繁多、尺度不一、生长环境复杂导致的误检漏检问题,便于模型在边缘设备进行部署,提出一种基于改进YOLOv8的水稻病虫害检测方法 PBM-YOLOv8。首先使用部分卷积(partial convolution,PConv)设计PCBlock结构,替换YOLOv8特征提取模块中的瓶颈(bottleneck)结构,以减少模型参数量,提升检测速度;其次为了减少非相邻层语义信息特征融合时的稀释,在颈部网络增加平衡特征融合层,重构特征金字塔(feature pyramid networks,FPN)为平衡特征金字塔(balanced feature pyramid,BFP),对融合的特征层进行特征再提取,并引入嵌入高斯非局部注意力(embedded Gaussian non-local attention,EGNA)消除多层融合导致的混叠效应,最大程度减小特征丢失;最后将损失函数更换为MPDIOU,改善因样本差异性大而导致的检测框失真,同时降低模型训练的计算负担。试验结果表明,改进模型PBM-YOLOv8在水稻病虫害数据集上取得了更为优异的试验效果,相较于原始YOLOv8n基线模型精确度及平均准确率均值分别提高了1.3和1.1个百分点。将PBM-YOLOv8部署在RK3588上经多线程优化后检测速度可达到71.4帧/s,满足实际应用的需求,可实现对水稻病虫害的实时精准检测。

摘要：针对现有目标检测算法全尺寸目标检测精度低的问题,提出了一种改进的基于YOLOv3模型的全尺寸目标检测算法。该方法设计了一种全新的通道自适应递归FPN网络架构,提出了一种基于通道注意力的递归金字塔模型,提高了YOLOv3的特征提取能力和不同尺度目标的检测能力。同时在训练过程中引入损失函数转换,解决了训练过程中动态参数不优化的问题。与其他主流目标检测算法相比,本文提出的改进模型在小尺寸目标、大尺寸目标与复杂背景多尺寸目标的检测精度分别提高了5.6%、2.6%、1.6%。实验结果表明,本文提出的方法检测精度显著提升。

摘要：~~