基于YOLO v8n改进的小麦病害检测系统

作     者：刘梦姝 张春琪 晁金阳 唐彬 张鹏磊 李民赞 孙红 LIU Mengshu;ZHANG Chunqi;CHAO Jinyang;TANG Bin;ZHANG Penglei;LI Minzan;SUN Hong

作者机构：中国农业大学烟台研究院烟台264670 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年第55卷第S1期

页      面：280-287,355页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 0904[农学-植物保护] 090401[农学-植物病理学] 0802[工学-机械工程] 090402[农学-农业昆虫与害虫防治] 

基　　金：国家自然科学基金项目(32371995) 山东省重点研发计划(重大科技创新工程)项目(2022CXGC020708-1) 中国农业大学研究生教改项目(JG202026、QYJC202101、JG202102、BH2022176) 

主　　题：小麦 病害检测 深度学习 YOLO v8模型 微信小程序 

摘      要：针对现有小麦病害检测算法精度低、处理速度缓慢、易受背景环境干扰、难以检测目标病害等问题,结合先进的智能手机硬件、便捷的微信小程序以及高效的云服务平台,设计一个基于云架构的小麦病害检测系统。系统主要包括云服务器模块和微信小程序模块,云服务器端主要用于图像接收和模型处理;使用CSS和Java Script语言开发微信小程序,用于实现数据上传、信息反馈与信息显示。为保证模型在云服务器部署的可行性,提出一种基于YOLO v8n改进的小麦病害检测模型(C2f-Faster-Slim-Neck-YOLO v8n,CS-YOLO)。该模型结合FasterNet轻量化优点,使用FasterNet中的FasterNet Block替换C2f中Bottleneck模块,降低模型内存占用量的同时,提高模型特征融合能力和检测精度。在颈部网络使用GSConv并采用Slim-Neck设计范式中的VoV-GSCSP模块对YOLO v8n的Neck进行改进,降低模型计算量的同时提高模型检测精度。试验结果表明,对于大田环境下所采集的小麦病害数据集,改进后模型浮点运算量及模型内存占用量相比YOLO v8n基线模型分别降低24.4%和17.5%,同时平均精度均值相较于原模型提高1.2个百分点,且优于YOLO v3-tiny、YOLO v5、YOLO v6、YOLO v7和YOLO v7-tiny算法。最后将轻量化检测模型CS-YOLO部署到云服务器上,将检测功能转化为API接口,小程序利用请求调用其接口调用服务器连接,服务器收到请求后,将数据传递给部署在云服务器上的模型,用户通过使用微信小程序调用检测模型对病害图像进行类型识别和病害位置检测,平均精度均值为89.2%,可为小麦病害识别类型和检测病害位置提供技术支持。