由于害虫分布密集、体积小、密度高，农业生产环境中的害虫目标识别具有挑战性。此外，多变的环境照明和复杂的背景使检测过程更加复杂。本研究的重点是通过引入基于改进的YOLOv8架构的轻量级害虫图像识别模型来提高茶叶害虫的识别性能。首先，提出了切片辅助微调和切片辅助超推理（slicing-aided hyper inference，SAHI）来分割输入图像，以增强低分辨率图像和小目标检测的模型性能。然后，在ELAN的基础上，设计了一种广义高效层聚合网络（generalized efficient layer aggregation network，GELAN）来代替骨干网络中的C2f模块，增强其特征提取能力，并构建了一个轻量级模型。此外，将MS结构集成到YOLOv8的颈部网络中进行特征融合，增强了细粒度和粗粒度语义信息的提取。此外，引入了基于Transformer架构的BiFormer注意机制，以放大茶叶害虫的目标特征。最后，基于辅助边界的内部MPDIoU被用作原始损失函数的替代，以增强其对复杂害虫样本的学习能力。实验结果表明，增强的YOLOv8模型实现了96.32%的准确率和97.95%的召回率，超过了原始YOLOv8模型。此外，它达到了mAP@50得分98.17%。与Faster R-CNN、SSD、YOLOv5、YOLOv7和YOLOv8相比，其平均准确度分别高出17.04、11.23、5.78、3.75和2.71个百分点。YOLOv8的整体性能优于当前主流检测模型，检测速度为95 FPS。该模型在检测茶叶害虫等小目标时，有效地平衡了轻量级设计与高精度和高速度。可为复杂生产环境下茶园各种害虫的识别和分类提供宝贵参考，有效满足实际应用需求，为未来茶叶害虫的监测和科学防治提供指导。

图1  YOLOv8网络架构。

图2  SAHI-YOLOv8网络的总体结构。

图3  切片辅助推理原理图。

图4  切片辅助微调原理。

图5  切片辅助推理原则。

图6  可编程梯度信息（programmable gradient information，PGI）及相关网络架构和方法。

图7  GELAN结构。

图8  BRA注意力机制。

图9 BiFormer块。

图10 三种构建块模型的比较。

图11 内部IoU示例结构。

图12 茶害虫图像数据集。

图13 训练集文件的可视化。

图14 精确度、召回率、F1置信曲线。

图15 损失函数的变化曲线。注：黄色：边框损失值；绿色：分类损失值；红色：特征点损失值。

图16 四个不同茶叶害虫数据集检测效果的比较。