基于YOLOv8的小麦的病害检测
摘 要
随着农业信息化和智能化的快速发展，对农作物病害进行及时准确的检测变得至关重要。返青期冬小麦的病害检测对于保障小麦产量和品质具有重要意义。本文提出了一种基于YOLOv8的返青期冬小麦病害检测方法。通过利用卷积神经网络（CNN）的特征提取能力，结合YOLOv8算法的高效实时性，实现了对返青期冬小麦病害的快速准确检测。
首先，本文介绍了卷积神经网络和目标检测算法的相关理论基础，为后续研究提供了理论依据。然后，针对小麦病害图像数据集，本文详细描述了数据的采集、标注和扩增过程，为后续模型训练提供了丰富的数据支持。在病害识别检测部分，本文利用YOLOv8算法对小麦病害图像进行了训练和测试。通过对比不同参数设置下的实验结果，选择了最优的模型配置。此外，这篇文章也运用了多个评估标准来全方位地衡量模型的表现，这些标准包括精度、召回比例、F1得分以及mAP等。经过实验验证，YOLOv8基础的冬小麦返青期病害检测方法具备出色的检测精度和即时性能，能够满足实际应用的需求。
目 录
摘 要
Abstract
目 录
一、绪论
1.1 选题背景
1.3国内外研究现状
1.3.1目标检测算法研究现状
1.3.2作物病害诊断研究现状
1.4 研究内容
二、 目标检测相关理论基础
2.1 卷积神经网络
2.2 R-CNN系列目标检测算法
2.3YOLO系列目标检测算法
三、返青期冬小麦病害图像的数据采集与处理
3.1数据获取
3.2 小麦病害数据集的标注
3.3 小麦病害数据集的扩增
四、返青期冬小麦病害识别检测
4.1 返青期冬小麦病害识别检测结果对比
4.1.1 试验平台
4.1.2 参数设置
4.1.3 评价指标
4.1.4 结果对比
4.2检测结果识别
结 论
致 谢
参考文献
一、绪论
1.1 选题背景
小麦是禾本科小麦属的主要种植作物，也是全球营养价值最高的粮食作物之一。全球各地都在大规模种植小麦，这是因为它具有强大的适应性，广泛的分布区域和多样的用途。在全球范围内，小麦的种植面积、产出和交易额都是最大的，这一点已经被证明，因为它占据了超过三分之一的人类的主食。小麦富含丰富的植物性蛋白，它是人们摄入这些营养的首选。与其他如玉米和水稻这样的粮食相对，小麦的营养价值更为突出。在全国的各类农产品中，小麦的种植区域位列第二，其次才是水稻。
二、 目标检测相关理论基础
目标检测相关理论基础介绍了卷积神经网络（CNN）及基于深度学习的目标检测算法。CNN 由卷积层（提取特征，具共享权重和空间局部性）、池化层（缩小特征图，有最大和平均池化）、全连接层（关联特征与分类）构成。目标检测算法分两阶段（如 R-CNN 系列，先生成预选区域再分类回归，精度高但速度较慢，Faster R-CNN 引入 RPN 网络提升效率）和一阶段（如 YOLO 系列，一步完成检测，速度快，YOLOv2 至 v8 不断优化，兼顾精度与速度）。
三、小麦病害图像的数据采集与处理
3.1数据获取
通过网络上搜集关于不同小麦害虫的各类图片，并使用LabelMe标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。一共包含633张图片，其中训练集包含506张图片，验证集包含127张图片，部分图像及标注如下图所示。
图 3-1小麦病害数据集部分图像
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入WheatInsectData目录下。
四、小麦病害识别检测
4.2检测结果识别
系统主界面如下所示：
图4-2 系统主界面
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
执行代码后，会将执行的结果直接标注在图片上，结果如下：
图4-3 病害检测结果
结 论
本文研究基于 YOLOv8 算法的返青期冬小麦病害检测方法，先介绍相关理论基础，再说明小麦病害图像数据的采集、标注和增强过程，随后采用 YOLOv8 算法构建训练模型并优化参数，经实验及与其他方法对比，证明该方法检测精度高、实时性好，能准确识别多种病害，有较高实际应用价值，可为小麦病害精准防治提供支持，未来可进一步优化以提升效率。