The improved YOLOv8 algorithm based on EMSPConvand SPE‑head modules：基于EMSPConv和SPE-head模块的改进YOLOv8算法

摘要：

针对大多数作物叶病检测算法模型复杂度高、泛化能力低、检测性能欠佳的挑战，本文提出了一种轻量级增强型YOLOv8算法。首先，通过结合 GhostNet 减少特征冗余的优点和 MobileNet 使用组卷积概念融合不同通道特征的能力，增强了主干网络。这提高了网络从大量相似的冗余特征图中提取关键特征的能力。其次，为了提高检测精度，同时减少模型参数和计算量，本文引入了 slim-Neck 模块。最后，针对检测头参数和计算量占模型一半以上的问题，论文利用共享参数的概念重构了检测头，并集成了增强多尺度信息识别的卷积块。多次实验结果经一致性平均后表明，与原始YOLOv8算法相比，改进算法实现了mAP50从86%提高到87.3%，mAP50:95从67%提高到68.6%。该模型的大小仅为 5.45 MB，计算参数 GFLOPs 从 8.1 减少到 5.5，甚至低于最轻量级的 YOLOv5。与其他大模型算法相比，该模型在检测精度上也表现出较强的竞争力。

关键词：叶病检测、YOLOv8、轻量级、分组卷积

1、引言

随着农业技术的不断进步和对提高作物产量的需求不断增长，作物叶部病害检测已成为农业和计算机视觉领域的重要研究领域[1]。然而，随着现代农业数字化转型，农作物叶部病害检测持续面临一系列挑战：

1）模型复杂性和计算资源问题：

作物叶病检测算法通常需要大量的计算和参数要求，导致成本高昂，不一定与实际农业应用中的效益相符。对计算资源的大量需求限制了此类算法的广泛采用。因此，需要探索更轻量级的模型和算法来降低成本并增强可部署性。

2）由于遮挡导致的特征限制：

叶病目标通常会受到植被和树叶的遮挡[2-4]，从而导致大量的冗余特征。这严重限制了目标关键特征的可见性，影响了计算机视觉模型的特征提取能力。遮挡现象使叶片病害检测变得复杂，需要一种更具适应性和健壮性的算法来识别部分遮挡的叶病目标。

3）噪音干扰问题：

用于作物叶病检测的图像可能包含源自土壤、杂草、照明变化和多种叶病的各种噪声干扰。这使得计算机视觉模型难以准确分类和定位不同叶病的特征，常常导致误报。有效的噪声抑制和特征去噪技术对于提高作物叶病检测算法的准确性和鲁棒性至关重要。

因此，现代智慧农业的迫切发展需要更高效、轻量级、遮挡自适应、抗噪声的农作物叶病检测算法。这些算法可以为智慧农业提供实用的解决方案，确保农作物的质量和产量。

为了解决与作物叶病检测相关的挑战，一些研究人员探索了基于 YOLO 的病害检测模型的改进。例如，刘等人。 [5]利用YOLOv3检测番茄病虫害。他们的方法结合了多尺度特征检测、目标边界框维度分类和多尺度训练，获得了 92.39% 的准确率和高实时检测能力。李等人。 [6]介绍了一种基于YOLOv4的增强型微框架，用于实时葡萄病害诊断。他们的框架集成了子采样融合结构、Mish 激活函数、注意力机制和 SoftNMS 等技术，以提高实时葡萄病害诊断的准确性。

Mathew 和同事 [7] 提出了一种深度学习方法来识别甜椒植物中的细菌性斑点病。他们的方法包括在农场使用智能手机捕获这些植物的随机图像，然后将这些图像输入到 YOLOv5 模型中。该模型根据观察到的叶子症状预测疾病的存在。虽然这些方法通过特征融合或增强融合模块改进了作物叶病检测，但在提取与各种叶病相关的多尺度信息方面仍有改进的空间。此外，对计算要求的分析以及在实际应用中部署这些模型的好处是有限的。

因此，为了全面解决作物叶病检测面临的挑战，本文重点加强多尺度遮挡叶病特征、减少无关噪声干扰、提高检测头的定位能力、提高检测精度。在YOLOv8模型的基础上，本文提出了一种轻量级、改进的基于YOLOv8的农作物叶病检测算法。本文的主要贡献如下：

（1）EMSPConv模块：受群卷积概念的启发，本文将GhostNet在处理冗余特征方面的优势与MobileNet融合不同通道特征信息的能力结合起来。设计了一种新颖的卷积模块，名为 EMSPConv（高效多尺度卷积）。 EMSPConv模块继承了GhostNet处理冗余特征的能力，并且可以融合从不同通道提取的特征。与标准卷积相比，该模块参数更少，计算负担更低，并且保留了丰富的特征信息。在本文中，EMSPConv 取代了主干网络中的一些标准卷积。

（2）Slim-Neck 模块：为了加速推理预测，本文在颈部网络的 Slim-Neck 模块中引入了 GSConv 和 VoVGSCSP 模块。 GSConv 的计算复杂度约为标准卷积的一半，同时保持相似的学习能力。 VoV-GSCSP模块降低了计算要求并简化了Neck网络的结构，同时保证了足够的精度。

（3）重新设计的检测头：为了解决原始YOLOv8模型检测头消耗大量计算资源的问题，本文采用共享参数的概念，并引入轻量级高效的EMSPConv卷积。 YOLOv8的检测头进行了重构，参数数量大幅减少。利用多个EMSPConv卷积块，检测头提取多尺度信息特征的能力进一步增强。在消融实验中，新型检测头不仅重量轻，而且表现出更高的检测精度。新的检测头被命名为SPEHead。

2 增强型的YOLOv8算法

2.1 YOLOv8算法分析

     首先，本篇文章使用增强型的YOLOv8算法作为检测植物病害。本文认为，作物病害检测领域算法的选择必须满足三个标准：模型轻量化、推理速度和检测精度。模型的轻量化至关重要，因为农作物病害检测通常在能源供应和设备实施空间有限的户外田地进行。农作物种植领域的设施设备与固有收入之间的成本关系是一个值得关注的问题。因此，应用于叶病检测领域的算法需要具有更