基于改进YOLOv8的苹果叶病害轻量化检测算法.pdf

2024年9月第6卷第5期智慧农业（中英文）SmartAgricultureSept.2024Vol.6,No.5

基于改进YOLOv8的苹果叶病害轻量化检测算法

*

罗友璐，潘勇浩，夏顺兴，陶友志

（四川农业大学信息工程学院，四川雅安625014，中国）

摘要：［［目的目的/意义意义］］苹果是中国重要的农产品，为了保障苹果的健康生长，降低其患病率，研发苹果叶病害检

测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题，提出一种基于改进YOLOv8的

苹果叶病害检测算法。［［方法方法］］选用YOLOv8n模型对苹果在生长期间的多种病害（褐腐病、褐纹病、黑星病和锈

病）进行识别。引入SPD-Conv替代传统卷积层，降低模型参数量和运算量的同时提高检测精度。在Neck层中添

加多尺度空洞注意力机制（Multi-ScaleDilatedAttention,MSDA），使模型通过动态感受野自适应地聚焦于图像中的

关键区域，增强病害特征提取能力。此外，参考重参数化卷积神经网络（ReparameterizedConvolutionalNeuralNet⁃

work,RepVGG）架构，优化了原有检测头，实现检测和推理过程的架构分离，加快了模型的推理速度，提升了其

特征学习能力。最后，构建了一个包含上述病害的苹果叶片数据集，并在此数据集上进行试验。［［结果和讨论结果和讨论］］改

进后的模型在运算量降低0.1G的同时，mAP50和mAP50∶95分别达到了88.2%和37.0%，较原模型分别提高了

2.7%和1.3%，模型大小仅为7.8MB。准确率和召回率分别为83.1%和80.2%，较原模型分别提升了0.9%和1.1%。

分别与YOLOv7-tiny、YOLOv9-c、RetinaNet、Faster-RCNN等多个模型进行对比试验，结果表明，提出的YO⁃

LOv8n-SMR模型表现出优异性能，有效控制了计算复杂度和参数量。优化后的网络结构在模型大小，浮点运算次

数和参数量上均保持较低水平，适合在无人机系统等硬件资源受限设备上高效部署。［［结论结论］］改进后的模型能够实

现对苹果叶病害的准确检测，该方法不仅提高了检测精度，还通过轻量化设计有效减少了模型的运算量，为后续

的苹果生长和果实收集提供可靠的数据支持，并为进一步苹果叶病害研究和探索提供了有利的参考。

关键词：深度学习；YOLOv8；苹果叶病害检测；MSDA；SPD-Conv

中图分类号：TP391.4文献标志码：A文章编号：SA202406012

引用格式：罗友璐,潘勇浩,夏顺兴,陶友志.基于改进YOLOv8的苹果叶病害轻量化检测算法[J].智慧农业(中英文),

2024,6(5):128-138.DOI：10.12133/j.smartag.SA202406012

LUOYoulu,PANYonghao,XIAShunxing,TAOYouzhi.LightweightAppleLeafDiseaseDetectionAlgorithmBasedon

ImprovedYOLOv8[J].SmartAgriculture,2024,6(5):128-138.DOI：10.12133/j.smartag.SA202406012(inChinesewith

Englishabstract)

0引言测，及时检测和防控叶部病害可以降低病害扩散，

减少经济损失。部分研究将深度学习应用于苹果叶

四川省是中国西南地区最大的苹果生产基地，