MSH-YOLOv8：融合尺度重建的蘑菇小目标检测方法.pdf

2024年9月第6卷第5期智慧农业（中英文）SmartAgricultureSept.2024Vol.6,No.5

MSH-YOLOv8：融合尺度重建的蘑菇小目标检测方法

1，211，2131，2*

叶大鹏，景均，张之得，李辉煌，吴昊宇，谢立敏

（1.福建农林大学机电工程学院，福建福州350002，中国；2.福建省农业信息感知技术重点实验室，福建福州

350002，中国；3.福建农林大学未来技术学院，福建福州350002，中国）

摘要：［［目的目的/意义意义］］为了解决图像尺寸变化和目标尺度变换共存对小目标检测精度的影响问题，本研究提出了

一种新的检测模型：Multi-StrategyHandlingYOLOv8（MSH-YOLOv8）。［［方法方法］］该模型在YOLOv8的基础上增加一

个检测头，以提高小尺度目标敏感度；引入SwinTransformer的检测结构到头部网络，以减少计算冗余；引入包含

可变形卷积的C2f_DeformableConvolutionv4（C2f_DCNv4）结构和SwinTransformer编码器结构重构YOLOv8主干网

络，优化并增强其特征传递和提取能力，提高小目标敏感度；采用基于规范化的注意力模块（Normalization-

basedAttentionModule,NAM）优化网络检测速度和准确性；用Wise-IntersectionoverUnionLoss（WIoU）代替原损

失函数，以提高训练效果和收敛速度；在后处理阶段应用分辨率动态训练、多尺度测试、软非极大值抑制算法

（Soft-Non-MaximumSuppression,Soft-NMS）、加权边界框融合算法（WeightedBoxesFusion,WBF）等方法，提高尺

度变化下小目标检测效果。以蘑菇为研究对象，在开放数据集Fungi上开展实验。［［结果和讨论结果和讨论］］MSH-YOLOv8的

平均正确率（AveragePrecision50,AP50）和AP50-95分别达到了98.49%和75.29%，其中小目标检测指标值APs

达39.73%。相较于主流模型YOLOv8，三项指标分别提高了2.34%，4.06%和8.55%；相较于优秀模型Transformer

PredictionHeads-YOLOv5（TPH-YOLOv5），三项指标分别提高了2.14%，2.76%和6.89%。［［结论结论］］本研究提出的

MSH-YOLOv8改进方法可在图像尺寸变化与目标尺度变化条件下有效提高小目标的检测效果。

关键词：图像尺寸；小目标检测；特征提取；多尺度检测；模型集成

中图分类号：S24；TP391文献标志码：A文章编号：SA202404002

引用格式：叶大鹏,景均,张之得,李辉煌,吴昊宇,谢立敏.MSH-YOLOv8:融合尺度重建的蘑菇小目标检测方法[J].

智慧农业(中英文),2024,6(5):139-152.DOI：10.12133/j.smartag.SA202404002

YEDapeng,JINGJun,ZHANGZhide,LIHuihuang,WUHaoyu,XIELimin.MSH-YOLOv8:MushroomSmallObject

DetectionMethodwithScaleReconstructionandFusion[J].SmartAgriculture,2024,6(5):139-152.DOI：10.12133/j.

smartag.SA2