基于改進YOLOV8模型的林業病蟲害識別

林業不僅是國家經濟體系中的支撐產業，還承載著豐富的文化內涵，是寶貴的自然遺產。盡管近年來中國在林業領域取得了長足的進步，然而，病蟲害的肆虐依然構成了一項極為嚴峻的挑戰[-]。傳統的人工視覺識別方法，不僅耗時費力，而且對從業人員的專業知識水平有著極高的要求。盡管該方法在害蟲識別的準確性上無可挑剔，但在面對大規模、高強度的害蟲識別任務時，其處理速度卻顯得力不從心，識別效率低下，難以滿足實際需求4]。

目前深度學習技術在害蟲識別領域發揮著舉足輕重的作用。施盛華設計融合BP神經網絡算法，并集成STM32微控制器與MPPT光伏充電控制技術，成功實現了對果園害蟲的高效識別。華月珊等研發了一種基于ResNet網絡的害蟲識別算法，該算法通過構建特征金字塔結構來搭建識別模型，并選用ResNet50作為核心網絡架構。這一方案能夠迅速且實時地辨識害蟲種類，并即時發出預警信號。

隨著檢測與識別技術的持續精進，YOLO模型憑借其卓越的準確性、訓練效率及廣泛的適用性，在害蟲識別領域展現出了顯著成效。閆云才等利用無人機遙感技術在不同空間位置采集圖像數據，進而運用YOLOV5模型進行圖像識別，實現了高達 99.54% 的識別精確度。此外，Li等人在YOLOV5模型基礎上融入了CA注意力機制，并結合Kmeans ⁺⁺ 算法以加速網絡收斂。實驗結果顯示，這一增強模型相較于原始模型，在識別精度上取得了 3.95% 的提升。

本文在前人研究的基礎上，構建了一種SK-Si-mAM-RepFPN-YOLOV8網絡模型用于林業病蟲害識別。首先，對原始病蟲害數據集進行數據增強處理，包括旋轉、亮度調整和添加噪聲。其次，將Si-mAM模塊、SK模塊以及RepFPN特征融合結構有機融入原始YOLOV8網絡模型中，創新性地組建SK-SimAM-RepFPN-YOLOV8網絡模型。最后，通過定性和定量實驗的綜合評估，驗證該網絡模型在林業病蟲害識別任務中的準確性和實用性，為國家的林業病蟲害預警及精準防治工作提供了有力的技術支撐。

1 網絡模型

SK注意力機制以其即插即用的靈活性，能夠迅速融入各種網絡架構中，有效提升了模型性能。而SimAM注意力機制則是一種創新的輕量級三維注意力機制，它融合了空間與通道維度，通過應用注意力權重對原始特征圖進行加權處理，生成強調圖像關鍵特征部分的加權特征圖，進而增強模型的表現力。RepFPN結構巧妙結合了ResNet的殘差學習思想與FPN的特征金字塔理念，形成了一種高效的特征融合架構[1]。在此基礎上，采用RepVGG輕量級卷積神經網絡，通過引入一個等效卷積操作SimConv替代原有模型中的卷積層，顯著提升了模型的計算效率。

本文在原YOLOV8模型中創新性地融入了Si-mAM模塊、SK模塊以及RepFPN特征融合結構，構建SK-SimAM-RepFPN-YOLOV8網絡模型。

如圖1所示，在模型的Neck部位添加了RepF-PN金字塔結構，其中采用了CBR結構與RepBlock結構，減少卷積的數量，改變了激活函數，從而降低對計算設備的需求，提升計算效率。為了減少卷積數量可能帶來的識別精度損失，本文在BackBone部分創新性地引入了SK和SimAM注意力機制。這兩種機制協同作用，增強了模型對局部特征以及多尺度特征的捕捉能力，從而在提升計算效率的同時，有效保障了模型識別精度的提升。

圖1 SK-SimAM-RepFPN-YOLOV8網絡模型

2 實驗結果分析

2.1 實驗數據集

本文選用了飛槳AiStudio平臺上提供的小蠹科林業害蟲數據集[1]，該數據集共收錄了2183幅圖像，涵蓋了六種小蠹科昆蟲類別，具體包括：松十二齒小蠹、紅脂大小蠹、華山松大小蠹、鞘翅目長小蠹、松芽枝竊蠹以及松六齒小蠹。為了保證訓練用到的數據樣本量充足，對數據集進行角度旋轉、亮度調整和添加噪聲等進行數據擴增，共計得到數據集6000張。如圖2所示。

2.2 實驗結果對比及分析

文中網絡模型的參數配置詳情如下：學習率設定為0.01，采用自動選擇的優化器（標記為auto）；線程數量配置為8；批量大小設置為16；訓練過程將歷經100輪。

本文采用精確率（P）和召回率（R）、平均精準率（mAP）作為定量檢測效果的評價指標，并將這些指標與原始的YOLOV8模型進行了對比（見表1）。通過對比定量結果，發現SK-SimAM-RepFPN-YO-LOV8網絡模型相較于原始YOLOV8網絡模型，在平均精準率mAP上實現了顯著提升，增幅達到1.4百分點；在精確率P方面，提高了2.1百分點；同時，在召回率R上也取得了1百分點的提升。

圖2樣本增強示例

注：a.為林業病蟲害原圖；b.為增加高斯噪聲圖像；c.為旋轉圖像；d.為調節亮度圖像。

表1 模型數據定量對比

分析其性能提升的原因如下：（1）網絡模型在訓練階段納入了數據增強技術，顯著增強了模型對各種干擾因素的魯棒性。（2）在模型中融入了SK注意力機制、SimAM注意力機制以及RepFPN特征融合結構，這些改進有效提升了模型在多尺度特征和局部特征提取方面的能力，進而加快了模型的識別速度。

此外，本文還對實驗結果進行了深入的定性分析。如圖3所展示的林業病蟲害識別案例所示，即便在面對數據中包含噪聲、圖像旋轉、亮度調整等干擾因素的情況下，SK-SimAM-RepFPN-YOLOV8網絡模型依然能夠保持高精度和高效率的識別性能，成功抵御了環境因素對林業病蟲害識別系統的潛在干擾。綜上所述，通過定性評價，進一步確認了所提出的SK-SimAM-RepFPN-YOLOV8網絡模型在林業病蟲害識別任務中的高度適用性和可靠性。

圖3不同類型林業病蟲害識別示例

3結論

本文構建了 SK-SimAM-RepFPN-YOLOV8網絡模型用于林業病蟲害識別。首先，對原始的林業病蟲害數據集實施了數據增強處理，具體包括角度旋轉、亮度調整和添加噪聲等操作，以增強模型的泛化能力。其次，在原始的YOLOV8模型中整合了SimAM注意力模塊、SK注意力模塊以及RepFPN特征金字塔融合結構，旨在提升SK-SimAM-RepFPN-YO-LOV8模型在林業病蟲害識別任務中的性能。最后，通過定量和定性結果的對比分析與評價，驗證了所提出網絡模型的高精準度和良好適用性。

參考文獻

[1]郝建民.林業管理與蟲害防治技術思考[J].農業開發與裝備，2024（3）：205-207.

[2]劉冰，閆佳鈺，王朵，等.2023年全國主要林業有害生物發生情況及2024年趨勢預測[J].中國森林病蟲，2024，43（1）：41-45.

[3] 趙嚴.基于改進YOLOV4的林業害蟲檢測研究[D].南京：南京林業大學，2023.

[4] 封洪強，姚青.農業害蟲自動識別與監測技術[J].植物保護，2018，44（5）：127-133.

[5] 施盛華.基于物聯網與圖像識別的太陽能果園蟲害監測系統研發[D].杭州：浙江科技學院，2019.

[6] 華月珊，王佳新，戎潔慶，等.基于ResNet網絡的小蠹蟲識別研究[J].林業與環境科學，2021，37（6）：124-129.

[7] 陸嬌嬌，段峰峰.改進YOLOV5模型下農作物蟲害圖像識別算法仿真[J].計算機仿真，2023，40（11）：156-160.

[8] 閆云才，郝碩亨，高亞玲，等.基于空地多源信息的獼猴桃果園病蟲害識別方法[J].農業機械學報，2023，54（增刊2）：294-300.

[9] LIS，ZHENGC，KAI L，etal.An intelligent system forhigh-density small targetpest identificationand infestationleveldeterminationbased onanimproved YOLOV5 mod-el[J].Expert Systems With Applications，2024，239：122190.

[10]LIUY，HAYASHIY，ODAM，etal.YOLOV7-RepFPN：Improvingreal-time performance of laparoscopic tool de-tection on embedded systems [J].Healthcare TechnologyLetters，2024，11（2/3）：157-166.

[11]AiStudio.[OL]. （2020-01-24）[2025-02-25]https：//aistu-dio.baidu.com/datasetdetail/19638.