วิธีการระบุแมลงศัตรูพืชถั่วเหลืองอย่างรวดเร็วโดยใช้การปรับปรุงโครงสร้างเครือข่าย SK-YOLOv8A Rapid Identification Method of Soybean Insect Pests Using SK-YOLOv8 Network Structure Improvement

Abstract

การระบุแมลงศัตรูพืชในถั่วเหลืองอย่างทันท่วงทีและแม่นยำเป็นสิ่งสำคัญสำหรับเกษตรแม่นยำและการจัดการพืชผลอย่างยั่งยืน บทความนี้เสนอวิธีการตรวจจับศัตรูพืชที่ได้รับการปรับปรุงโดยใช้สถาปัตยกรรม YOLOv8 โดยผสานกลไกความสนใจแบบ Selective Kernel (SK) เพื่อเพิ่มความสามารถในการปรับตัวของคุณลักษณะในหลายขอบเขตการรับรู้กลไกความสนใจ SK สามารถเลือกคุณลักษณะการคอนโวลูชันที่มีขนาดแตกต่างกันได้อย่างปรับเปลี่ยนตามสภาวะ โดยอาศัยการปรับขอบเขตการรับรู้ให้สอดคล้องกับบริบทของคุณลักษณะอินพุต การฝังโมดูลความสนใจ SK ลงในโครงสร้างหลักของ YOLOv8 ทำให้เครือข่ายเลือกขนาดเคอร์เนลที่เหมาะสมแบบไดนามิกเพื่อจับภาพขนาดและรูปแบบภาพที่แตกต่างกันของแมลงศัตรูพืชได้ดียิ่งขึ้น การออกแบบนี้ช่วยให้โมเดลสามารถมุ่งเน้นไปที่คุณลักษณะที่โดดเด่นในขณะที่ลดข้อมูลพื้นหลังที่ซ้ำซ้อนเพื่อประเมินประสิทธิภาพของวิธีการที่เสนอ ได้มีการสร้างชุดข้อมูลแมลงศัตรูพืชในถั่วเหลืองและทำการทดลองอย่างกว้างขวางภายใต้สภาวะจริง ผลลัพธ์แสดงให้เห็นว่าแบบจำลอง SK-YOLOv8 ที่ได้รับการปรับปรุงนั้นมีความแม่นยำในการตรวจจับที่ดีขึ้นอย่างมาก โดยมีค่า mAP@0.5 สูงถึง 87.4% ในขณะที่ยังคงความซับซ้อนในการคำนวณเท่าเดิม (8.2 GFLOPs) เมื่อเทียบกับ YOLOv8n รุ่นดั้งเดิม สิ่งนี้แสดงให้เห็นว่าวิธีการที่เสนอไม่เพียงแต่เพิ่มความแม่นยำและความทนทานในการตรวจจับเท่านั้น แต่ยังคงรักษาประสิทธิภาพในการคำนวณไว้ได้ด้วย ซึ่งเป็นแนวทางแก้ไขที่ใช้งานได้จริงและมีประสิทธิภาพสำหรับการตรวจสอบศัตรูพืชอัจฉริยะในด้านเกษตรแม่นยำ

Timely and accurate identification of soybean insect pests is essential for precision agriculture and sustainable crop management. This paper presents an improved pest detection method based on the YOLOv8 architecture, incorporating the Selective Kernel (SK) attention mechanism to enhance feature adaptability across multiple receptive fields. By embedding SK attention modules into the backbone of YOLOv8, the network dynamically selects appropriate kernel sizes to better capture the varying scales and visual patterns of insect pests. This design enables the model to focus on discriminative features while reducing redundant background information. To evaluate the effectiveness of the proposed approach, a soybean insect pest dataset was constructed, and extensive experiments were conducted under real-world conditions. The results show that the improved SK-YOLOv8 model achieves a significant improvement in detection accuracy, reaching an mAP@0.5 of 87.4%, while maintaining the same computational complexity (8.2 GFLOPs) as the original YOLOv8n. This demonstrates that the proposed method not only enhances detection accuracy and robustness but also preserves computational efficiency, offering a practical and effective solution for intelligent pest monitoring in precision agriculture.