基于YOLOv8s的水稻害蟲圖片智能識別

摘要" 水稻種植過程中的害蟲分布具有規(guī)模小和密度高等特性，導致其識別具有挑戰(zhàn)性。本文基于深度學習，利用經(jīng)典的YOLOv8s輕量級模型進行稻縱卷葉螟、水稻葉毛蟲和稻潛葉蠅等14種水稻害蟲數(shù)據(jù)集的訓練識別，得到了模型訓練及驗證結果。訓練結果發(fā)現(xiàn)，該模型收斂速度和穩(wěn)定性較好；驗證結果表明，該模型性能較好，對14種水稻害蟲的識別精度為0.788，召回率為0.721，識別準確率為0.809，mAP@0.5為0.772。綜合來看，該模型性能較好，能夠滿足水稻害蟲檢測要求。研究結果為水稻蟲害識別提供參考。

關鍵詞" 深度學習；水稻害蟲；YOLOv8s；目標檢測

中圖分類號" S24" " " "文獻標識碼" A" " " "文章編號" 1007-7731（2025）02-0097-04

DOI號" 10.16377/j.cnki.issn1007-7731.2025.02.018

Intelligent recognition of rice pest images based on YOLOv8s

DENG Xianghong

（Hunan Mechanical amp; Electrical Polytechnic， Changsha 410151， China）

Abstract" The distribution of pests during rice cultivation is characterized by small scale and high density， making identification challenging. This article was based on deep learning and the classic YOLOv8s lightweight model was used to train and recognize 14 types of rice pests， including rice leaf roller， rice leaf caterpillar， and rice stem maggot， etc. The model training and verification results were obtained. The training results showed that the model has good convergence speed and stability; the verification results indicated that the model has good performance， with the recognition accuracy of 0.788， the recall rate of 0.721， and the recognition accuracy of 0.809， mAP@0.5 of 0.772 for 14 rice pests. Overall， the model had good performance and can meet the requirements of rice pest detection. The research results provide references for the identification of rice pest.

Keywords" deep learning; rice pest; YOLOv8s; target detection

水稻作為重要的糧食作物之一，栽培歷史悠久。近年來，水稻害蟲種類及數(shù)量呈增加趨勢，對其產(chǎn)量和質(zhì)量造成一定影響。實際生產(chǎn)中，關于害蟲鑒定及診斷主要采用目測等方法，難度較大，精確度及效率有待進一步提高。早期查明作物病蟲害有助于確定其類別和傳播范圍，進而有利于早期控制。而采用計算機視覺技術對農(nóng)作物病蟲害進行識別，具有無損、快速、實時和準確等特點，對加速農(nóng)業(yè)現(xiàn)代化建設、提高生產(chǎn)效率有重要作用[1]。

相關研究基于深度學習的目標檢測算法，使用卷積神經(jīng)網(wǎng)絡（Convolutional neural network，CNN）來提取特征，對大量圖像數(shù)據(jù)進行模型訓練。目標算法能夠自動發(fā)現(xiàn)目標檢測和分類所需的特征信息，滿足目標檢測的速度和精度要求。目前，圖像處理和計算機視覺領域的研究重點逐漸聚焦深度學習[2-3]。黃雙萍等[4]針對水稻穗瘟病的圖像檢測問題，得到CNN GoogLeNet模型，該模型的最高識別準確率達92%。邱靖等[5]研究了CNN建立3種水稻病害的識別模型，對數(shù)據(jù)進行歸一化處理，并運用深度學習框架Keras進行深度CNN訓練，得出了較高的識別率。Sharma等[6]對水稻病害進行了分類識別研究。Deng等[7]利用DenseNet-121、SE-ResNet-50和ResNeSt-50模型對稻瘟病、假黑穗病、頸瘟病、鞘狀枯萎病、細菌性條紋病和褐斑病進行檢測，發(fā)現(xiàn)水稻病害識別的類別有待進一步增加，疾病位置在圖像中的定位有待進一步精確。Islam等[8]利用收集的水稻葉片圖像，研究了3種CNN架構（VGG、ResNet和DenseNet），并用這3個數(shù)據(jù)集對水稻病害進行了分類訓練。Yang等[9]提出了一種針對真實水稻田間場景定制的新型輕量級水稻病害識別模型DGLNet，該模型以更小的參數(shù)尺寸和更高的精度優(yōu)于輕量級網(wǎng)絡，成為農(nóng)業(yè)領域移動設備現(xiàn)場應用的理想選擇之一。楊紅云等[10]以VGG16的卷積層和池化層為特征提取層，同時將頂層重新設計為全局平均池化層和一個Softmax輸出層，以此進行水稻蟲害識別研究。

YOLOv8是當前應用較廣泛的YOLO模型，根據(jù)網(wǎng)絡的不同深度和寬度分為不同的版本。YOLOv8s是一個源自YOLOv8算法的輕量級參數(shù)結構，其包括主干網(wǎng)絡、頸部網(wǎng)絡和預測輸出頭。骨干網(wǎng)絡利用卷積操作從紅、綠、藍（RGB）彩色圖像中提取不同尺度的特征。同時，頸部網(wǎng)絡的作用是合并由主干網(wǎng)絡提取的特征。特征金字塔結構實現(xiàn)了將低級特征聚合成更高級別特征來表示。頭部層負責預測目標類別，利用3組不同大小的檢測器進行選擇和檢測圖像內(nèi)容。

該模型首先通過輸入層對輸入圖像進行預處理，然后通過主干層提取特征；隨后，將提取的特征輸入頸部層，合并不同尺度的特征，創(chuàng)建一個特征金字塔，以增強信息；最終，預測結果由頭部層產(chǎn)生。作為一種單階段檢測算法，YOLO系列在速度和準確性之間提供了一個平衡，使其在目標檢測任務中較為有效。YOLOv8s采用C2f結構，確保輕量級，同時獲得了更豐富的梯度流信息，并具有更好的特征表示能力。其通過無錨頭分離分類頭和檢測頭，簡化了檢測過程，提高了檢測速度。分布焦點損失的引入考慮了特征相關性和數(shù)據(jù)概率，降低了對異常值的敏感性，提高了模型的魯棒性。

本研究利用該模型對稻縱卷葉螟、水稻葉毛蟲和稻潛葉蠅等14種水稻害蟲進行識別訓練，構建準確識別水稻害蟲的算法，同時對該算法的害蟲識別率和識別精度進行測算，為水稻害蟲監(jiān)測及預防提供參考。

1 材料與方法

1.1 試驗數(shù)據(jù)集采集

本試驗中使用的14種水稻害蟲（稻縱卷葉螟、水稻葉毛蟲、稻潛葉蠅、水稻二化螟、三化螟、稻癭蚊、水稻莖蠅、褐飛虱、白背飛虱、小褐飛虱、稻水象甲、稻葉蟬、稻薊馬和稻殼蟲）照片一部分來源于網(wǎng)絡公共數(shù)據(jù)集，一部分來自戶外自然環(huán)境拍攝，在晴朗、光線充足的天氣和良好的采集環(huán)境下采集圖像。除部分密集目標外，還拍攝了目標較少的害蟲照片。在包括大面積植被的照片中，會出現(xiàn)樹葉遮擋、重疊等現(xiàn)象，因此照片還包括樹葉的陰影和反射。部分數(shù)據(jù)集的代表性樣本如圖1所示。

1.2 試驗數(shù)據(jù)集構建

使用LabelImg圖像標注軟件對水稻害蟲圖像矩形區(qū)域進行手動標注。添加標簽框，并為圖像患病區(qū)域生成相應的標記文件。標簽信息主要包括圖片文件名、圖像尺寸和特定區(qū)域的細節(jié)，如標簽、左上角像素坐標和右下角像素坐標，標簽格式為.txt文檔，以適應YOLOv8s的算法。最后，將被標記的圖像按8∶1∶1的比例隨機分為訓練集、驗證集和測試集。

1.3 試驗環(huán)境與訓練參數(shù)

本試驗基于Windows操作系統(tǒng)，使用PyTorch學習框架加載模型，應用Python語言編寫程序，在訓練過程中可效果較好地保存模型參數(shù)。試驗環(huán)境的參數(shù)配置如表1所示。

1.4 評價指標

為測試改進模型的檢測性能，在深度學習分類任務中，精確度、準確率、召回率和PR曲線等是用于評估模型性能的關鍵指標，每個指標都提供了不同的信息。精確度計算了模型正確預測為正類別的樣本數(shù)量占總預測為正類別的樣本數(shù)量的比例，精確度值在0～1，較高的精確度表示模型在正類別預測中更準確。準確率值在0～1，較高的準確率表示模型整體性能較好。召回率值在0～1，較高的召回率表示模型能較好地捕獲正類別樣本，減少漏識別的情況。PR曲線是分別用精確度和召回率坐標軸括起來的曲線，不同顏色的線條代表不同類別的PR曲線，藍色粗線代表所有類別的平均PR曲線；PR曲線和坐標軸圍成的區(qū)域可以作為衡量模型預測結果的參考；若一個模型的PR曲線完全包住了另一個模型的PR曲線，表示這個模型的預測結果比另一個模型好。mAP為平均精度，mAP@0.5表示當交并比IOU（Intersection over Union）閾值為0.5時的mAP值，是評估YOLOv8s模型的指標之一；當預測框和注釋框之間的IOUgt;0.5時，則認為對象預測是正確的，然后根據(jù)這一前提計算mAP。

2 結果與分析

在深度學習中，通常通過觀察損失函數(shù)下降的曲線來了解模型的訓練情況。YOLOv8s模型在訓練時主要包括3個方面的損失：定位損失（box_loss）、分類損失（cls_loss）和動態(tài)特征損失（dfl_loss）。訓練過程中，各損失參數(shù)逐漸趨于平穩(wěn)，說明該模型收斂速度和穩(wěn)定性較好；可以較準確地調(diào)整預測框的位置，提高目標檢測的準確性。

本模型針對14種水稻害蟲的訓練結果的PR曲線如圖2所示，其識別精度隨著召回率的增加而增加。該PR曲線下的面積相對較大，說明該模型的性能較好。該模型對14個目標檢測的識別精度為0.788，召回率為0.721，識別準確率為0.809，mAP@0.5為0.772，相關性能能夠滿足水稻害蟲檢測要求。

3 結論與討論

智能識別及圖像處理等技術在農(nóng)業(yè)中的應用較多，可提高農(nóng)業(yè)生產(chǎn)效率；如吳小燕等[11]利用YOLOv8s模型對移栽甘藍的狀態(tài)進行監(jiān)測和識別，提高了移栽質(zhì)量；李林軒[12]提出了一種基于改進YOLOv8s的農(nóng)業(yè)多目標蟲害的小目標檢測算法，有效提高了小目標害蟲的檢測率。

本文在水稻害蟲識別模型中，選取了YOLOv8s模型的深度學習圖像目標檢測模型，通過調(diào)整模型參數(shù)對稻縱卷葉螟、水稻葉毛蟲和稻潛葉蠅等14種水稻害蟲數(shù)據(jù)集進行訓練，得出該模型具有測試精度高，損失函數(shù)值低等優(yōu)點。因此，應用深度學習模型進行水稻病蟲害鑒定成為作物防治體系的關鍵環(huán)節(jié)，能提高作物病蟲害鑒定的效率和準確性，對減少農(nóng)業(yè)生產(chǎn)損失，促進農(nóng)業(yè)優(yōu)質(zhì)發(fā)展具有重要意義。實際應用過程中，需進一步開發(fā)相應的水稻害蟲識別系統(tǒng)，優(yōu)化模型以應對更復雜的實際場景；同時，持續(xù)優(yōu)化算法，解決數(shù)據(jù)不平衡和泛化能力不足等問題，增強模型的全面性和適應性是下一步研究重點。

參考文獻

[1] 李輝，羅敏，岳佳欣. 基于計算機視覺技術的水稻病害圖像識別研究進展[J]. 湖北農(nóng)業(yè)科學，2022，61（4）：9-15.

[2] 呂盛坪，李燈輝，冼榮亨. 深度學習在我國農(nóng)業(yè)中的應用研究現(xiàn)狀[J]. 計算機工程與應用，2019，55（20）：24-33，51.

[3] 王聃，柴秀娟. 機器學習在植物病害識別研究中的應用[J]. 中國農(nóng)機化學報，2019，40（9）：171-180.

[4] 黃雙萍，孫超，齊龍，等. 基于深度卷積神經(jīng)網(wǎng)絡的水稻穗瘟病檢測方法[J]. 農(nóng)業(yè)工程學報，2017，33（20）：169-176.

[5] 邱靖，劉繼榮，曹志勇，等. 基于卷積神經(jīng)網(wǎng)絡的水稻病害圖像識別研究[J]. 云南農(nóng)業(yè)大學學報（自然科學版），2019，34（5）：884-888.

[6] SHARMA R，KUKREJA V，KADYAN V. Hispa rice disease classification using convolutional neural network[C]//2021 3rd International Conference on Signal Processing and Communication （ICPSC）. IEEE，2021：377-381.

[7] DENG R L，TAO M，XING H，et al. Automatic diagnosis of rice diseases using deep learning[J]. Frontiers in plant science，2021，12：701038.

[8] ISLAM A，ISLAM R，et al. Rice leaf disease recognition using local threshold based segmentation and deep CNN[J]. International journal of intelligent systems and applications，2021，13（5）：35-45.

[9] YUAN Y，JIAO G，LIU J H，et al. A lightweight rice disease identification network based on attention mechanism and dynamic convolution[J]. Ecological informatics，2023，78：102320.

[10] 楊紅云，肖小梅，黃瓊，等. 基于卷積神經(jīng)網(wǎng)絡和遷移學習的水稻害蟲識別[J]. 激光與光電子學進展，2022，59（16）：333-340.

[11] 吳小燕，郭威，朱軼萍，等. 基于改進YOLOv8s的大田甘藍移栽狀態(tài)檢測算法[J]. 智慧農(nóng)業(yè)（中英文），2024，6（2）：107-117.

[12] 李林軒. 農(nóng)業(yè)多目標蟲害的小目標檢測[D]. 荊州：長江大學，2024.

（責任編輯：李媛）