基于YOLOV8算法深度學習大白菜害蟲識別研究

DOI：10.16627/j.cnki.cn22-1215/s.2024.03.079

摘 要：大白菜是農業生產中重要的蔬菜作物之一，蟲害會嚴重威脅到大白菜的生長，也會影響到產量與種植者的經濟收入。傳統大白菜蟲害識別技術存在對圖像特定特征依賴性強、識別效率低等問題。為此，針對大白菜蟲害目標檢測和分類過程中最常見的幾類問題，研究了常見典型蟲害進行智能識別的深度學習方法，進一步通過實驗驗證有效性。本文的主要研究內容可概括如下：

針對已有目標檢測方法準確率有待提高的問題，本文在建立了大白菜蟲害數據集的基礎之上，1、通過引入CBAM注意力機制，使得研究中能夠明確不同特征之間的關系，提高整體的精確度。2、改進Yolov8主干網絡，將國產曠視科技團隊在 2018 年提出的輕量級網絡ShuffleNetV2替換Yolov8主干網絡。 實驗結果表明所提出的方法的識別精度達到了 98.8%，推斷速度上達到8.30it/s，對比實驗證明了基于改進的YOLOV8深度學習模型的大白菜害蟲識別方法的有效性。

關鍵詞：大白菜；蟲害；深度學習；YOLOV8；算法

1 引言

大白菜是我國重要蔬菜之一，但常遭蟲害，影響產量和品質[1]。傳統的蟲害檢測方法依賴人工，效率低，準確度差[2]。近年來，視覺設計與深度計算機學習大力發展，可以通過分析圖像中的特征，自動定位、分類和評估蟲害。這種方法具有高效、準確和智能的優勢。

本文提出了一種基于深度學習的大白菜蟲害識別方法，利用YOLOV8實現目標檢測，提取并分類蟲害特征，實現對不同種類的蟲害的準確識別，為病蟲害防治提供了參考依據。

2 深度學習在病害蟲識別中的研究現狀

在國內，張博提出使用卷積神經網絡識別害蟲，通過網絡識別技術能夠有效采集害蟲信息，從種類、習性等了解害蟲的實際情況，并通過實驗進行驗證，識別度高達88%以上[3]。國外學者Kawasaki也提出使用神經網絡識別系統，精準率高達90%以上[4]。

對比近些年來，此方面研究文獻及期刊，目前研究者們主要還是以糧食作物研究為主，發現以深度學習為基礎研究大白菜病蟲害的研究人員極少。

2.1 YOLOV8

本文使用YOLOV8檢測圖像中的目標，YOLOV8將圖像分成網格，每個網格都可以用來檢測類別概率[5]。YOLOV8網絡分成了三部分，分別是Backbone主干網絡、Neck層網絡、Head層網絡。Backbone（主干網絡）負責從輸入圖像中提取特征，將圖像轉化為具有豐富語義信息的特征表示。Neck（頸部，連接部）是一個中間層，用于對來自 backbone 的特征進行融合，以提升模型的性能。Head（任務頭）是模型的最后一層，其結構會根據不同的任務而有所不同。

2.2 主干網絡改進

主干網絡改進是一種新的運算方式，簡化圖形特征并分為兩個維度，在此基礎上，左邊作為映射，右邊連續卷積，輸入輸出通道相似。

2.3 特征加強提取網絡改進

在特征加強提取網絡引入混合域注意力機制CBAM。CBAM注意力機制是由通道注意力機制（channel）和空間注意力機制（spatial）組成。

3 大白菜蟲害圖像數據集

為了實現基于深度學習的大白菜蟲害識別，本文首先需要構建一個包含多種大白菜品種和蟲害類型的圖像數據集。本文收集了來自不同地區、不同季節、不同環境的大白菜圖像，共計約3000張，涵蓋了大白菜的生長周期和病蟲害發生過程。研究通過對圖像進行收集預處理，還通過剪裁、旋轉、縮放、增強等操作，以提高圖像的質量和多樣性。本文還對圖像進行了標注，包括邊界框和類別標簽。本文標注了以下幾種大白菜蟲害類型：蚜蟲（Aphid）、鼻涕蟲（slug）、尺蛾（lep）、甜菜夜蛾（beet army worm）。本文將收集并標注好的圖像數據集分為訓練集、驗證集和測試集三個部分，比例為8：1：1，用于訓練、驗證和測試深度學習模型。

4 實驗結果與分析

4.1 實驗配置

研究中采用 py～ torch 作為平臺，實驗硬件環境為 ： Inter core i9～11800" CPU、16GB內存、NVIDIA GeForce RTX 4060 Laptop GPU顯卡。

4.2 實驗結果與分析

αmAP是指所有圖片內所有類別平均精度的平均值，it/s指所有圖片內所有類別平均推理速度的平均值。

4.2.1 實驗結果與分析改進模型的可視化檢測結果

為了更加直觀地看出 YOLOv8 模型與最終改進 YOLOv8 模型對大白菜蟲害的識別效果，選擇了帶有蟲害的大白菜葉片進行檢測。 圖 1、2 是兩種模型對大白菜蟲害檢測的效果。

4.2.2 消融實驗

進行數據采集，在此基礎上進行消融實驗，確保網絡設置、訓練、平臺等多方面保持一致，從而通過增加模塊版本，進一步通過實驗實現整體的設計與對比，結果如表 1 所示。

5 總結和展望

本文提出了一種基于深度學習的大白菜蟲害識別方法，主要包括目標檢測、特征提取和分類等步驟。本文的主要貢獻和創新點有以下幾個方面：（1）本文提出了一種基于深度學習的大白菜蟲害識別方法，是一種端到端的深度學習模型，能夠實現從輸入圖像到輸出結果的自動化處理。（2）本文使用了改進的YOLOV8算法進行目標檢測，YOLOV8是目前最先進的目標檢測算法之一，具有檢測速度快、準確率高、泛化能力強等優點，能夠適應不同的場景和任務。（3）本文構建了一個包含多種大白菜品種和蟲害類型的圖像數據集，為大白菜蟲害識別提供了豐富的數據資源，同時也為其他相關研究提供了參考。

本文的不足和局限性有以下幾個方面：（1）本文所構建的數據集規模還不夠大，可能存在一些噪聲和偏差，影響模型的泛化能力。未來可以通過收集更多的數據，對數據進行清洗和增強，提高數據集的質量和多樣性。（2）本文所使用的深度學習模型還有一些參數需要調整和優化，可能存在一些過擬合或欠擬合的情況，影響模型的穩定性和效率。未來可以通過使用更先進的優化算法、正則化方法、損失函數等技術，提高模型的優化效果和性能。（3）本文所實現的蟲害識別任務還比較簡單，只涉及到幾種常見的蟲害類型。未來可以通過擴展更多的蟲害類型、考慮更多的影響因素、引入更多的輔助信息等方式，提高蟲害識別任務的復雜性和實用性。

參考文獻

[1]馬平，王輝. 大白菜蟲害綜合防治[J]．吉林農業C版，2011（8）：73.

[2]馬秀英，馬松林. 大白菜蟲害的防治技術[J]．河北農業，2004（9）：14.

[3]程曦， 吳云志， 張友華， 等. 基于深度卷積神經網絡的儲糧害蟲圖像識別[J]．中國農學通報， 2018，34（01）：154-158.

[4]Kawasaki Y， Uga H， Kagiwada S， et al. Basic study of automated diagnosis of viral plant diseasesusing convolutional neural networks[C]//International Symposium on Visual Computing. Springer，Cham， 2015： 638-645.

[5]杜寶俠，唐友，辛鵬，等. 基于改進YOLOv8的蘋果檢測方法[J]． 無線互聯科技，2023，20（13）：119-122.

收稿日期：2024.07.11

作者簡介：魏靜（1987.8- ），女 ，漢族 ，山東濰坊，碩士 ，研究方向：深度學習、智慧農業。