农业机械学报

作者：赵晓，杨梦婷，张懿丹

单位：陕西科技大学,陕西科技大学,陕西科技大学,

关键词：苹果;叶片病害;目标检测;YOLO v10;多尺度融合;注意力机制

基金：国家自然科学基金项目（61971272、61601271）

苹果叶片病害的早期检测对于保障苹果产量和质量至关重要。然而，由于苹果叶片病害形态各异、病斑区域较小等特征，导致病害检测精度不高，难以满足现代农业精准防控的需求。针对这一问题，提出了一种基于改进YOLO v10n的苹果叶片病害检测方法。利用感受野注意力卷积(Receptive field attention convolution,RFAConv)替换主干网络中的标准Conv，以增强网络对病害叶片重要特征的捕捉能力。在Neck网络使用重参数化泛化特征金字塔网络(Reparameterized generalized feature pyramid network,RepGFPN)实现低层特征与高层语义信息的融合，以提高模型对苹果叶片上不同尺度病害的特征提取能力。构建空间金字塔快速池化注意力(Spatial pyramid pooling-fast_attention,SPPF_attention)模块，使得模型能更有效地聚焦于重要的注意力信息。设计空间通道优化检测头(Spatial and channel reconstruction convolution_v10Detect,SC_C_v10Detect)，提高模型对不同大小病斑的检测能力。结果表明，所提模型的精确率为86.3%，召回率为86.8%，mAP@0.5为90.8%，mAP@0.5:0.95为62.9%，与原始YOLO v10n模型相比，分别提高1.2、4.2、2.1、2.8个百分点。所提模型与Faster R-CNN、SSD、YOLO v8n、YOLO v9s、YOLO v10n、YOLO 11n模型相比，mAP@0.5分别提升25.9、12.2、2.8、1.6、2.1、1.4个百分点。本研究提出的改进方法显著提升了苹果叶片病害的检测精度，为果园病害的早期预警和精准防治提供了可靠的技术支持，对推动农业智慧发展具有重要意义。

来源：2025年第9期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第9期