基于SR-YOLOv8n-BCG的模糊花卉图像检测

doi:10.15933/j.cnki.1004-3268.2024.04.018

摘要/Abstract

摘要： 为满足复杂环境下对模糊花卉图像快速、精确的检测需求，提出了一种组合模型SR-YOLOv8n-BCG，该模型有效地综合了SRGAN（Super⁃resolution generative adversarial network）的图像重建能力和YOLOv8 的目标检测能力，并针对网络结构进一步改进，以提高准确率并实现轻量化。首先，SRYOLOv8n-BCG 利用SRGAN 对模糊花卉图像进行超分辨处理，提高输入模型的图像质量。其次，在YOLOv8n特征提取网络中使用加权双向特征金字塔网络（Bidirectional feature pyramid network，BiFPN）替换PAN-FPN模块，以有效融合多尺度的花卉特征，并降低模型的体积。同时，引入坐标注意力机制（Coordinate attention，CA）以增强模型的特征提取能力。最后，利用Ghost卷积替换普通卷积，进一步提升检测精度并轻量化模型。结果表明，经过在自制的5 类花卉数据集上的试验评估，相较于SRYOLOv8n，SR-YOLOv8n-BCG模型在模型尺寸减小35.5%的情况下，平均精度均值提高1.2百分点，达到95.4%。表明提出的改进模型有效地提高了对模糊花卉图像检测的准确率，并实现了轻量化以适应低配的设备。

关键词: 花卉, 图像检测, SRGAN, YOLOv8, BiFPN, 坐标注意力机制, Ghost卷积

Abstract: In order to meet the fast and accurate detection requirements for fuzzy flower images in complex environments,a composite model SR⁃YOLOv8n⁃BCG was proposed.This model effectively integrated the image reconstruction capability of SRGAN(super⁃resolution generative adversarial network)and the object detection capability of YOLOv8.Furthermore，the network structure was further improved to enhance accuracy and achieve lightweight design.Firstly,SR⁃YOLOv8n⁃BCG employed SRGAN to perform super⁃resolution processing on fuzzy flower images,enhancing the image quality input into model.Secondly,in the feature extraction network of YOLOv8n,a weighted bidirectional feature pyramid network(BiFPN)was used to replace the PAN⁃FPN module,effectively fusing multi⁃scale flower features and reducing the model size.Additionally,a coordinate attention(CA)mechanism was introduced to enhance the model’s feature extraction ability.Finally,Ghost convolution was used to replace regular convolution,further improving detection accuracy and model lightweightness.Experimental results on a self⁃made dataset of five flower categories demonstrated that compared to SR⁃YOLOv8n,the SR⁃YOLOv8n⁃BCG model achieved an average precision improvement of 1.2 percentage points,reaching 95.4% with a 35.5% reduction in model size.The results above indicate that the proposed improved model effectively enhances the detection accuracy of fuzzy flower images and achieves lightweight design to suit lower⁃end devices.

Key words: Flower, Image detection, SRGAN, YOLOv8, BiFPN, Coordinate attention mechanism, Ghost convolution

中图分类号:

黄小龙, 陈中举, 许浩然, 李和平. 基于SR-YOLOv8n-BCG的模糊花卉图像检测[J]. 河南农业科学, 2024, 53(4): 161-171.

HUANG Xiaolong, CHEN Zhongju, XU Haoran, LI Heping. Blurry Flower Image Detection Based on SR⁃YOLOv8n⁃BCG[J]. Journal of Henan Agricultural Sciences, 2024, 53(4): 161-171.

参考文献

［1］赵洋，梁迎春，许军，等.改进ResNet18网络模型的花卉识别［J］.计算机技术与发展，2022，32（7）：167⁃172.
ZHAO Y，LIANG Y C，XU J，et al. Flower recognition based on improved ResNet18 network model［J］.Computer Technology and Development，2022，32（7）：167⁃172.
［2］FERNANDO B，FROMONT E，MUSELET D，et al.Discriminative feature fusion for image classification［C］//2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence，RI，USA：IEEE，2012：3434⁃3441.
［3］彭媛，段先华，王万耀，等.基于多线索特征融合的图像分类方法［J］.计算机工程与应用，2019，55（20）：164⁃169.
PENG Y，DUAN X H，WANG W Y，et al.Multi⁃cue feature fusion based image classification［J］.Computer Engineering and Applications，2019，55（20）：164⁃169.
［4］崔艳荣，卞珍怡，高英宁.基于生成对抗网络的花卉识别方法［J］.江苏农业科学，2022，50（22）：200⁃208.
CUI Y R，BIAN Z Y，GAO Y N.Flower recognition method based on generative adversarial networks［J］.Jiangsu Agricultural Sciences，2022，50（22）：200⁃208.
［5］刘嘉政.基于深度迁移学习模型的花卉种类识别［J］.江苏农业科学，2019，47（20）：231⁃236.
LIU J Z.Flower species identification based on deep transfer learning model［J］.Jiangsu Agricultural Sciences，2019，47（20）：231⁃236.
［6］谢州益，胡彦蓉.基于YOLOv4的多目标花卉识别系统［J］.南京农业大学学报，2022，45（4）：818⁃827.
XIE Z Y，HU Y R.Multi⁃target recognition system of flowers based on YOLOv4［J］.Journal of Nanjing Agricultural University，2022，45（4）：818⁃827.
［7］范天浩，顾寄南，王文波，等.基于改进YOLOv5s的轻量化金银花识别方法［J/OL］.农业工程学报，2023：1⁃9.［2023⁃06⁃30］.https：//kns.cnki.net/kcms/detail/11.2047.S.20230629.1116.038.html.
FAN T H，GU J N，WANG W B，et al.Lightweight honeysuckle recognition method based on improved YOLOv5s［J/OL］.Transactions of the Chinese Society of Agricultural Engineering，2023：1⁃9［2023⁃06⁃30］.https：//kns.cnki.net/kcms/detail/11.2047.S.20230629.1116.038.html.
［8］LEDIG C，THEIS L，HUSZÁR F，et al.Photo⁃realistic single image super⁃resolution using a generative adversarial network［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Honolulu，HI，USA：IEEE，2017：105⁃114.
［9］GOODFELLOW I，POUGET⁃ABADIE J，MIRZA M，et al.Generative adversarial nets［J］.Communications of the ACM，2020，63（11）：139⁃144.
［10］FU Z Z，CHEN W，BING Z，et al.An improved generative adversarial networks for remote sensing image super⁃resolution reconstruction via multi⁃scale residual block［J］.The Egyptian Journal of Remote Sensing and Space Sciences，2023，26（1）：151⁃160.
［11］RAD M S，BOZORGTABAR B，MARTI U V，et al.SROBB：Targeted perceptual loss for single image super⁃resolution ［C］//2019 IEEE/CVF International Conference on Computer Vision（ICCV）.Seoul，Korea（South）：IEEE，2019：2710⁃2719.
［12］YANG Q S，YAN P K，ZHANG Y B，et al.Low⁃dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss［J］.IEEE Transactions on Medical Imaging，2018，37（6）：1348⁃1357.
［13］ZHU X K，LYU S C，WANG X，et al.TPH⁃YOLOv5：Improved YOLOv5 based on transformer prediction head for object detection on drone⁃captured scenarios［C］//2021 IEEE/CVF International Conference on Computer Vision Workshops（ICCVW）.Montreal，BC，Canada：IEEE，2021：2778⁃2788.

［14］WANG Y，WANG H Y，XIN Z H.Efficient detection model of steel strip surface defects based on YOLO⁃V7［J］.IEEE Access，2022，10：133936⁃133944.

［15］叶宇星，孙志锋，马风力，等.基于改进YOLOv5s的腌制蔬菜真空包装缺陷检测［J］.包装工程，2023，44（9）：45⁃53.
YE Y X，SUN Z F，MA F L，et al.Vacuum packaging defect detection of pickled vegetables based on improved YOLOv5s［J］.Packaging Engineering，2023，44（9）：45⁃53.
［16］PARK H J，KANG J W，KIM B G.ssFPN：Scale sequence（S2）feature⁃based feature pyramid network for object detection［J］.Sensors，2023，23（9）：4432.
［17］TAN M X，PANG R M，LE Q V.EfficientDet：scalable and efficient object detection［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Seattle，WA，USA：IEEE，2020：10778⁃10787.
［18］HOU Q B，ZHOU D Q，FENG J S.Coordinate attention for efficient mobile network design［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Nashville，TN，USA：IEEE，2021：13708⁃13717.
［19］HAN K，WANG Y H，TIAN Q，et al.GhostNet：more features from cheap operations［C］//2020 IEEE/CVF
Conference on Computer Vision and Pattern Recognition（CVPR）.Seattle，WA，USA：IEEE，2020：1577⁃1586.
［20］HE K M，ZHANG X Y，REN S Q，et al.Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Las Vegas，NV，USA：IEEE，2016：770⁃778.
［21］刘宇泽，孙涵，李明洋，等.细粒度图像识别任务的多层和区域特征融合模型［J］.中国农机化学报，2023，44（1）：199⁃207.
LIU Y Z，SUN H，LI M Y，et al.Multi⁃layer and regional feature integration models for fine⁃grained visual classification［J］.Journal of Chinese Agricultural Mechanization，2023，44（1）：199⁃207.
［22］陈加敏，徐杨.基于注意力拆分卷积残差网络的表情识别［J］.激光与光电子学进展，2022，59（18）：1815009.
CHEN J M，XU Y. Expression recognition based on attention⁃split convolutional residual network［J］.Progress in Lasers and Optoelectronics，2022，59（18）：1815009.
［23］李文举，张干，崔柳，等.基于坐标注意力的轻量级交通标志识别模型［J］.计算机应用，2023，43（2）：608⁃614.
LI W J，ZHANG G，CUI L，et al.Lightweight traffic sign recognition model based on coordinate attention［J］.Journal of Computer Applications，2023，43（2）：608⁃614.
［24］夏烨，雷哓晖，祁雁楠，等.基于改进Ghost⁃YOLOv5s⁃BiFPN算法检测梨树花序［J］.智慧农业（中英文），2022，4（3）：108⁃119.
XIA Y，LEI X H，QI Y N，et al.Detection of pear inflorescences based on improved Ghost⁃YOLOv5s⁃BiFPN algorithm［J］.Smart Agriculture（Chinese and English），2022，4（3）：108⁃119.
［25］REDMON J，FARHADI A. YOLOv3：An incremental improvement［EB/OL］.（2018⁃04⁃08）［2023⁃12⁃10］.http：//arxiv.org/abs/1804.02767.pdf.

[1]	李大华, 孔舒, 李栋, 于晓. 基于改进YOLOv7 的苹果表面缺陷轻量化检测算法[J]. 河南农业科学, 2024, 53(3): 141-150.
[2]	李洁薇, 池永清, 吴钿芳, 朱阳春, 丁枫华. 镉铅复合胁迫对草本花卉种子萌发及幼苗生长的影响[J]. 河南农业科学, 2022, 51(12): 122-130.
[3]	曹宇, 孟永禄, 杨红, 李军, 张国洲, 王亚维, 李灿. 黄胸蓟马对不同花卉挥发物的行为反应初探[J]. 河南农业科学, 2020, 49(9): 88-97.
[4]	王春，曹宇，刘燕，熊正利，覃晓禹. 西花蓟马对4种花卉寄主的偏好性研究[J]. 河南农业科学, 2015, 44(3): 83-87.
[5]	孙健，赵惠恩. 北京小龙门地区蓝紫色野生草本花卉资源调查[J]. 河南农业科学, 2012, 41(11): 132-135.
[6]	王彩敏. 盆栽花卉专用植物杀虫气雾剂的研制[J]. 河南农业科学, 2012, 41(1): 100-102.
[7]	张力越, 马俊, 许竹青. 河南省花卉产业发展的思考与对策研究[J]. 河南农业科学, 2011, 40(8): 24-28.
[8]	谈成林, 张凤美, 王友保, 郭凯, 张洁, 惠勇. 铜尾矿对万寿菊根系生长的影响[J]. 河南农业科学, 2011, 40(7): 73-77.
[9]	黄宇;陈劲松;郅军锐;袁成明;宋琼章. 贵阳地区花卉蓟马种类调查研究[J]. 河南农业科学, 2009, 38(6): 93-96.
[10]	王森. 河南野生百合属花卉植物资源调查[J]. 河南农业科学, 2008, 37(8): 124-126.
[11]	纠敏;汪伦记;董钧锋. 警惕外来入侵害虫——B型烟粉虱[J]. 河南农业科学, 2007, 36(8): 55-56.
[12]	王淑珍. 蕨类花卉的繁殖及栽培技术[J]. 河南农业科学, 2006, 35(4): 87-88.
[13]	何秀芹,马玉琴. 加快河南省特色农产品区域化布局的构想与措施[J]. 河南农业科学, 2005, 34(8): 5-7.
[14]	王平格. 花卉高温危害的预防措施[J]. 河南农业科学, 2004, 33(9): 90-90.
[15]	裴利涛,王占营,高水平,董丽萍. 河南省花卉生产中存在的问题与对策[J]. 河南农业科学, 2000, 29(4): 54-55.