基于GDMD-YOLOv8的玉米叶片病虫害检测OA

针对田间环境下玉米叶片病虫害实时检测面临的诸多挑战,如病斑尺度变化大、小目标识别困难、检测速度与精度难以兼顾等问题,本文提出了GDMD-YOLOv8 检测方法.该方法通过多项关键技术改进,提升了模型在复杂田间场景下的检测性能:采用分组空间卷积(GSConv)替换颈部网络中的下采样卷积,在实现模型轻量化并显著提升检测速度的同时,超越了原模型的检测精度;将改造的大核可变形卷积DLKA添加到特征融合部分C2f模块中,形成C2f_DLKA,并通过调整输出通道数,使特征信息得到充分表达,上下文信息得以完整提取,同时能够自适应跟随目标形状的变化;在检测头之前引入多尺度膨胀注意力(MSDA),通过提取不同尺度的特征信息并生成动态权重矩阵,有效提高了模型对关键区域的敏感度,增强了对多尺度目标的识别能力;在检测头前端插入Dy_Conv模块,进一步促进多尺度特征的深度融合,使特征表达更加充分,目标定位与分类更加精准.消融试验结果表明:GDMD-YOLOv8 相较于基准模型,在精确度和平均精度均值上分别提升了 5.4 百分点和 5.9 百分点,展现出明显的性能优势;同时,模型的帧速率达到 99.0 f/s,完全满足田间实时部署的需求,为玉米叶片病虫害的实时检测与防控提供了可靠的技术支持.