1. 项目背景与核心挑战棉叶病虫害检测一直是农业植保领域的痛点问题。传统人工巡查方式效率低下而现有基于无人机的检测方案往往存在两个关键缺陷一是模型在移动端设备上的推理速度不足二是对小尺度病虫害目标的识别准确率偏低。这个项目正是针对这两个核心痛点展开的实战改进。我在新疆某棉花种植基地实地测试时发现当无人机在3-5米高度巡航时棉蚜虫等小型害虫在图像中的像素占比往往不足20×20像素。标准的YOLOv8模型对此类目标的平均精度AP0.5仅有63.2%且在全志H616芯片的智能手机上推理速度仅为8.3FPS远达不到实时检测的要求。2. 模型轻量化改进方案2.1 骨干网络优化原版YOLOv8采用的CSPDarknet53骨干网络虽然精度优秀但包含28.9M参数。我们通过以下改进实现轻量化深度可分离卷积替换将3×3标准卷积替换为深度可分离卷积组合单个卷积层的计算量从$k^2×c_{in}×c_{out}$降至$k^2×c_{in} c_{in}×c_{out}$k为核尺寸。实测显示在Backbone部分替换后参数量减少42%而mAP仅下降1.3%通道剪枝策略基于梯度幅值的通道重要性评估对冗余通道进行迭代剪枝。具体采用以下公式计算通道重要性 $$ I_c \frac{1}{N}\sum_{i1}^N|\frac{\partial L}{\partial w_c^{(i)}}| $$ 经过三轮剪枝后模型体积从原来的43.7MB压缩到19.2MB注意剪枝后必须进行微调训练我们使用余弦退火学习率初始0.001最小0.0001在病虫害数据集上微调了15个epoch2.2 多尺度特征融合改进针对病虫害目标尺度变化大的特点我们在FPN结构中引入以下改进自适应特征选择模块在PANet的每个融合节点添加空间和通道注意力机制动态调整特征图权重。具体结构包含空间注意力分支使用5×5深度卷积生成注意力图通道注意力分支采用SE模块的压缩-激励结构两者输出通过可学习参数α进行加权融合高分辨率浅层特征保留在Backbone的stage2输出1/4下采样率增加一个检测头专门负责5-30像素的小目标检测。这个改进使小目标AP提升11.7%3. 移动端部署优化3.1 TensorRT加速实践在NVIDIA Jetson Nano上的部署流程模型转换yolo export modelyolov8n-custom.pt formatonnx opset12 trtexec --onnxyolov8n-custom.onnx --fp16 --saveEngineyolov8n-custom.engine推理优化技巧使用--poolLimitworkspace:1024MB限制显存占用对于动态尺寸输入明确指定优化profileprofile builder.create_optimization_profile() profile.set_shape(images, (1,3,640,640), (1,3,640,640), (1,3,640,640))实测显示经过TensorRT优化后推理速度从原来的15FPS提升到37FPSFP16模式3.2 安卓端部署方案针对没有GPU的智能手机设备我们采用以下方案TFLite转换converter tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) converter.optimizations [tf.lite.Optimize.DEFAULT] converter.target_spec.supported_ops [tf.lite.OpsSet.TFLITE_BUILTINS] tflite_model converter.convert()量化压缩训练后动态量化权重int8激活float32全整数量化需要代表性数据集校准在Redmi Note 11上的测试数据显示原始模型8.3FPS功耗4.2W量化后模型14.7FPS功耗2.8W4. 数据增强与训练技巧4.1 针对病虫害的特殊增强多光谱混合增强使用MS-COCO格式的病虫害标注数据对可见光波段和近红外波段图像分别应用不同的增强策略visible_aug A.Compose([ A.RandomSunFlare(flare_roi(0,0,1,0.5)), A.RandomShadow() ]) nir_aug A.Compose([ A.RandomContrast(limit0.2), A.GaussNoise(var_limit(10,50)) ])小目标复制粘贴从其他图像中随机选取小目标实例使用泊松混合算法粘贴到当前图像def poisson_blend(src, dst, mask): center (dst.shape[1]//2, dst.shape[0]//2) return cv2.seamlessClone(src, dst, mask, center, cv2.NORMAL_CLONE)4.2 训练超参数配置我们采用的训练配置lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率系数 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 warmup_momentum: 0.8 box: 7.5 # box损失权重 cls: 0.5 # 分类损失权重 dfl: 1.5 # DFL损失权重关键改进点使用AdamW优化器替代SGD引入Label Smoothingε0.1缓解过拟合采用Mosaic-9增强原版为Mosaic-45. 实际应用效果评估5.1 性能指标对比在自建的CottonPest-1k测试集上的表现模型版本参数量(M)mAP0.5小目标AP推理时延(ms)YOLOv8n3.268.259.712.3改进版2.172.571.48.7量化版1.970.869.25.25.2 田间实测数据在新疆石河子地区2000亩棉田的测试结果平均检测准确率89.3%人工复核确认单次飞行覆盖率比人工巡查提升15倍病虫害发现时效提前3-5天发现初期感染6. 常见问题与解决方案6.1 模型误检问题症状将叶片阴影误检为病斑解决方案在数据集中增加阴影样本调整NMS阈值从0.45降到0.4添加形状约束条件病斑通常呈不规则圆形6.2 移动端发热问题现象连续推理10分钟后CPU降频优化措施设置推理间隔为200ms5FPS使用神经网络APINNAPI加速Interpreter.Options options new Interpreter.Options(); options.setUseNNAPI(true);添加温度监控超过阈值时暂停推理6.3 小目标漏检改进典型场景密集虫卵检测技术方案将输入分辨率从640×640提升到896×896在损失函数中增加小目标权重def modified_loss(pred, target): small_obj_mask target[..., 4] 0.01 # 面积占比1% return base_loss 2.0 * small_obj_loss测试时使用TTATest Time Augmentation经过这些优化我们的改进模型在保持移动端高效运行的同时对棉叶病虫害的检测精度达到了实用化水平。特别是在小目标检测方面AP值从基准模型的59.7%提升到71.4%满足了田间实际应用的需求。