农业机械学报

作者：徐洪丽，安凤，史宇轩

单位：山东农业大学,山东农业大学,山东理工大学,

关键词：苹果叶片;病害检测;深度学习;YOLO v8n;三重注意力机制

基金：山东省重点研发计划（乡村振兴科技创新提振行动计划）项目（2023TZXD058）

针对当前苹果叶片病害目标检测算法在复杂环境中实时性差、精度低、存在误检和漏检的问题，本文聚焦于苹果叶片上常见的黑腐病、灰斑病、锈病和疮痂病，构建一种基于改进YOLO v8的苹果叶片病害检测模型。首先，将传统卷积操作（Conv）替换为局部卷积（PConv），并基于局部卷积设计出C2f_Faster模块，用于替换主干网络中的C2f模块，在降低模型计算量同时而不影响其精度;其次，在空间金字塔池化模块（SPPF）之后添加三重注意力机制，提升复杂背景下特征提取能力;最后，将YOLO v8中的损失函数CIoU替换为基于最小点距离交并比损失函数MPDIoU以提升病害目标定位准确率。验证实验表明，针对自然场景采集的苹果叶片病害图像数据集，优化后网络架构的计算量、参数量等指标相较于原YOLO v8n基线模型分别下降20.9%和23%。同时，精确率、召回率和mAP@0.5分别提高1.5、2.9、2.2个百分点，分别达到89.2%、91.4%、94.6%。对比YOLO v3、YOLO v5、YOLO v8n、YOLO v9n、YOLO v10n模型，mAP@0.5分别提高3.5、3.0、2.2、2.4、2.6个百分点。本研究提出的方法在维持实时处理性能的基础上显著提升了识别准确率，为苹果叶片病害边缘计算检测系统的开发提供了可靠的技术支撑。

来源：2025年第10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10期