摘要
针对苹果叶片病害特征不显著、相似度高等特点,为解决早期病斑检测难、人工检测效率低且准确率不高以及现有深度学习检测模型存在参数量大、检测精度差等问题,提出一种基于改进YOLO v8n的苹果叶片病害检测模型。该模型在骨干网络及颈部网络中使用基于AKConv模块改进的AKDown模块替代原有下采样模块,通过双通道可变核卷积提取病害特征,提升模型对不同尺度、不同显著性病害特征的识别能力。在骨干网络的最后设计改进的CBAM模块,利用多尺度卷积注意力与空间注意力捕捉不同尺寸的病斑特征及位置信息。利用加权双向特征金字塔(BiFPN)替代原有的颈部结构,通过跨层跳跃连接及特征加权自适应,实现多尺度特征高效融合。最后,引入GhostConv模块对C2f模块进行优化,生成虚拟通道减少卷积的通道数,有效减少模型的参数量。改进后的模型与原模型相比,参数量与浮点计算量下降24.2%、14.8%;黑星病的识别精度实现显著提升,较原模型精度提高5.7百分点;对5类不同苹果叶片病害检测的平均精度均值达93.5%。综上,本研究提出模型具有更优的检测精度和更小的参数量、浮点计算量,可为苹果叶片病害检测提供参考。
出处
《江苏农业科学》
北大核心
2025年第20期288-296,共9页
Jiangsu Agricultural Sciences
基金
教育部-新一代信息技术创新项目(编号:2023IT077)
云南省吴中海专家工作站项目(编号:202305AF150045)。
