摘要：针对当前传统网络模型对中药饮片检测精度低,检测不准确的问题,提出一种基于YOLOv8n优化改进的msda-YOLOv8中药饮片检测模型。首先,在Backbone上使用SCConv代替部分C2f模块,使用DyCAConv代替部分Conv。其次,添加DilateBlock模块,强化特征信息,提高了检测模型的特征融合能力。在Neck上,设计全新的C2fmsda模块代替C2f,并引入Inception板块,扩大特征感受视野。使用BiFPN思想,高效双向跨尺度连接和加权特征融合,提高网络性能;最后将原有的损失函数替换为MPDIoU边界损失函数,模型的边界框回归性能有了提高。实验结果表明,改进后的YOLOv8模型在原模型的基础上提高识别精确度0.7%、平均精度2.9%,参数量降低1.9%。综合说明,该模型提高模型识别精度同时降低参数量,优于原算法以及对比算法,满足边缘计算要求,具有实际应用价值。

摘要：[目的/意义]苹果是中国重要的农产品,为了保障苹果的健康生长,降低其患病率,研发苹果叶病害检测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题,提出一种基于改进YOLOv8的苹果叶病害检测算法。[方法]选用YOLOv8n模型对苹果在生长期间的多种病害(褐腐病、褐纹病、黑星病和锈病)进行识别。引入SPD-Conv替代传统卷积层,降低模型参数量和运算量的同时提高检测精度。在Neck层中添加多尺度空洞注意力机制(Multi-Scale Dilated Attention,msda),使模型通过动态感受野自适应地聚焦于图像中的关键区域,增强病害特征提取能力。此外,参考重参数化卷积神经网络(Reparameterized Convolutional Neural Network,RepVGG)架构,优化了原有检测头,实现检测和推理过程的架构分离,加快了模型的推理速度,提升了其特征学习能力。最后,构建了一个包含上述病害的苹果叶片数据集,并在此数据集上进行试验。[结果和讨论]改进后的模型在运算量降低0.1 G的同时,mAP50和mAP50∶95分别达到了88.2%和37.0%,较原模型分别提高了2.7%和1.3%,模型大小仅为7.8 MB。准确率和召回率分别为83.1%和80.2%,较原模型分别提升了0.9%和1.1%。分别与YOLOv7-tiny、YOLOv9-c、RetinaNet、Faster-RCNN等多个模型进行对比试验,结果表明,提出的YOLOv8n-SMR模型表现出优异性能,有效控制了计算复杂度和参数量。优化后的网络结构在模型大小,浮点运算次数和参数量上均保持较低水平,适合在无人机系统等硬件资源受限设备上高效部署。[结论]改进后的模型能够实现对苹果叶病害的准确检测,该方法不仅提高了检测精度,还通过轻量化设计有效减少了模型的运算量,为后续的苹果生长和果实收集提供可靠的数据支持,并为进一步苹果叶病害研究和探索提供了有利的参考。