水稻作为重要的粮食作物之一，栽培历史悠久。近年来，水稻害虫种类及数量呈增加趋势，对其产量和质量造成一定影响。实际生产中，关于害虫鉴定及诊断主要采用目测等方法，难度较大，精确度及效率有待进一步提高。早期查明作物病虫害有助于确定其类别和传播范围，进而有利于早期控制。而采用计算机视觉技术对农作物病虫害进行识别，具有无损、快速、实时和准确等特点，对加速农业现代化建设、提高生产效率有重要作用[1]。
相关研究基于深度学习的目标检测算法，使用卷积神经网络（Convolutional neural network，CNN）来提取特征，对大量图像数据进行模型训练。目标算法能够自动发现目标检测和分类所需的特征信息，满足目标检测的速度和精度要求。目前，图像处理和计算机视觉领域的研究重点逐渐聚焦深度学习[2-3]。黄双萍等[4]针对水稻穗瘟病的图像检测问题，得到CNN GoogLeNet模型，该模型的最高识别准确率达92%。邱靖等[5]研究了CNN建立3种水稻病害的识别模型，对数据进行归一化处理，并运用深度学习框架Keras进行深度CNN训练，得出了较高的识别率。Sharma等[6]对水稻病害进行了分类识别研究。Deng等[7]利用DenseNet-121、SE-ResNet-50和ResNeSt-50模型对稻瘟病、假黑穗病、颈瘟病、鞘状枯萎病、细菌性条纹病和褐斑病进行检测，发现水稻病害识别的类别有待进一步增加，疾病位置在图像中的定位有待进一步精确。Islam等[8]利用收集的水稻叶片图像，研究了3种CNN架构（VGG、ResNet和DenseNet），并用这3个数据集对水稻病害进行了分类训练。Yang等[9]提出了一种针对真实水稻田间场景定制的新型轻量级水稻病害识别模型DGLNet，该模型以更小的参数尺寸和更高的精度优于轻量级网络，成为农业领域移动设备现场应用的理想选择之一。杨红云等[10]以VGG16的卷积层和池化层为特征提取层，同时将顶层重新设计为全局平均池化层和一个Softmax输出层，以此进行水稻虫害识别研究。
YOLOv8是当前应用较广泛的YOLO模型，根据网络的不同深度和宽度分为不同的版本。YOLOv8s是一个源自YOLOv8算法的轻量级参数结构，其包括主干网络、颈部网络和预测输出头。骨干网络利用卷积操作从红、绿、蓝（RGB）彩色图像中提取不同尺度的特征。同时，颈部网络的作用是合并由主干网络提取的特征。特征金字塔结构实现了将低级特征聚合成更高级别特征来表示。头部层负责预测目标类别，利用3组不同大小的检测器进行选择和检测图像内容。
该模型首先通过输入层对输入图像进行预处理，然后通过主干层提取特征；随后，将提取的特征输入颈部层，合并不同尺度的特征，创建一个特征金字塔，以增强信息；最终，预测结果由头部层产生。作为一种单阶段检测算法，YOLO系列在速度和准确性之间提供了一个平衡，使其在目标检测任务中较为有效。YOLOv8s采用C2f结构，确保轻量级，同时获得了更丰富的梯度流信息，并具有更好的特征表示能力。其通过无锚头分离分类头和检测头，简化了检测过程，提高了检测速度。分布焦点损失的引入考虑了特征相关性和数据概率，降低了对异常值的敏感性，提高了模型的鲁棒性。
本研究利用该模型对稻纵卷叶螟、水稻叶毛虫和稻潜叶蝇等14种水稻害虫进行识别训练，构建准确识别水稻害虫的算法，同时对该算法的害虫识别率和识别精度进行测算，为水稻害虫监测及预防提供参考。
1 材料与方法
1.1 试验数据集采集
本试验中使用的14种水稻害虫（稻纵卷叶螟、水稻叶毛虫、稻潜叶蝇、水稻二化螟、三化螟、稻瘿蚊、水稻茎蝇、褐飞虱、白背飞虱、小褐飞虱、稻水象甲、稻叶蝉、稻蓟马和稻壳虫）照片一部分来源于网络公共数据集，一部分来自户外自然环境拍摄，在晴朗、光线充足的天气和良好的采集环境下采集图像。除部分密集目标外，还拍摄了目标较少的害虫照片。在包括大面积植被的照片中，会出现树叶遮挡、重叠等现象，因此照片还包括树叶的阴影和反射。部分数据集的代表性样本如图1所示。
1.2 试验数据集构建
使用LabelImg图像标注软件对水稻害虫图像矩形区域进行手动标注。添加标签框，并为图像患病区域生成相应的标记文件。标签信息主要包括图片文件名、图像尺寸和特定区域的细节，如标签、左上角像素坐标和右下角像素坐标，标签格式为.txt文档，以适应YOLOv8s的算法。最后，将被标记的图像按8∶1∶1的比例随机分为训练集、验证集和测试集。
1.3 试验环境与训练参数
本试验基于Windows操作系统，使用PyTorch学习框架加载模型，应用Python语言编写程序，在训练过程中可效果较好地保存模型参数。试验环境的参数配置如表1所示。
表1 试验环境参数配置 |
| 试验环境 | 具体内容 |
|---|---|
| 镜像 | PyTorch1.7.0 Python3.8（ubuntu18.04） Cuda 11.0 |
| GPU | Tesla T4（16 GB） * 1 |
| CPU | 8 vCPU Intel Xeon Processor （Skylake，IBRS） |
| 内存 | 56 GB |
1.4 评价指标
为测试改进模型的检测性能，在深度学习分类任务中，精确度、准确率、召回率和PR曲线等是用于评估模型性能的关键指标，每个指标都提供了不同的信息。精确度计算了模型正确预测为正类别的样本数量占总预测为正类别的样本数量的比例，精确度值在0～1，较高的精确度表示模型在正类别预测中更准确。准确率值在0～1，较高的准确率表示模型整体性能较好。召回率值在0～1，较高的召回率表示模型能较好地捕获正类别样本，减少漏识别的情况。PR曲线是分别用精确度和召回率坐标轴括起来的曲线，不同颜色的线条代表不同类别的PR曲线，蓝色粗线代表所有类别的平均PR曲线；PR曲线和坐标轴围成的区域可以作为衡量模型预测结果的参考；若一个模型的PR曲线完全包住了另一个模型的PR曲线，表示这个模型的预测结果比另一个模型好。mAP为平均精度，mAP@0.5表示当交并比IOU（Intersection over Union）阈值为0.5时的mAP值，是评估YOLOv8s模型的指标之一；当预测框和注释框之间的IOU>0.5时，则认为对象预测是正确的，然后根据这一前提计算mAP。
2 结果与分析
在深度学习中，通常通过观察损失函数下降的曲线来了解模型的训练情况。YOLOv8s模型在训练时主要包括3个方面的损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练过程中，各损失参数逐渐趋于平稳，说明该模型收敛速度和稳定性较好；可以较准确地调整预测框的位置，提高目标检测的准确性。
本模型针对14种水稻害虫的训练结果的PR曲线如图2所示，其识别精度随着召回率的增加而增加。该PR曲线下的面积相对较大，说明该模型的性能较好。该模型对14个目标检测的识别精度为0.788，召回率为0.721，识别准确率为0.809，mAP@0.5为0.772，相关性能能够满足水稻害虫检测要求。
3 结论与讨论
本文在水稻害虫识别模型中，选取了YOLOv8s模型的深度学习图像目标检测模型，通过调整模型参数对稻纵卷叶螟、水稻叶毛虫和稻潜叶蝇等14种水稻害虫数据集进行训练，得出该模型具有测试精度高，损失函数值低等优点。因此，应用深度学习模型进行水稻病虫害鉴定成为作物防治体系的关键环节，能提高作物病虫害鉴定的效率和准确性，对减少农业生产损失，促进农业优质发展具有重要意义。实际应用过程中，需进一步开发相应的水稻害虫识别系统，优化模型以应对更复杂的实际场景；同时，持续优化算法，解决数据不平衡和泛化能力不足等问题，增强模型的全面性和适应性是下一步研究重点。