[1]党婉誉,周烨炆,徐斌腾.基于轻量级YOLO v10的番茄叶片病害检测[J].江苏农业科学,2026,54(4):213-222.
　Dang Wanyu,et al.Detection of tomato leaf diseases based on lightweight YOLO v10[J].Jiangsu Agricultural Sciences,2026,54(4):213-222.
点击复制

基于轻量级YOLO v10的番茄叶片病害检测()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第4期
页码:
213-222
栏目:
病害智能检测
出版日期:
2026-02-20

文章信息/Info

Title:
Detection of tomato leaf diseases based on lightweight YOLO v10
作者:
党婉誉1; 周烨炆2; 徐斌腾3
1.驻马店职业技术学院信息工程学院/河南省乡村智慧农业工程研究中心 河南驻马店 463000； 2.河南农业大学信息与管理科学学院，河南郑州 450003； 3.郑州大学电气与信息工程学院，河南郑州 450001
Author(s):
Dang Wanyu; et al
关键词:
番茄病害识别; YOLO v10; 多尺度特征; 目标检测; 感受野; 注意力机制
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
随着农业生产的发展，番茄叶片病害的早期检测与防治变得尤为重要。然而，传统检测方法往往受限于较高的计算成本和复杂的模型结构，难以在实际生产中广泛应用。为进一步提高检测精度并降低计算开销，提出了一种基于轻量级YOLO v10的病害检测模型。该模型主要包含4个关键技术创新：(1)引入膨胀卷积模块替代传统卷积层，在不增加参数量的前提下有效扩大感受野；(2)设计双向特征金字塔网络(BiFPN)实现多尺度特征的高效融合，增强对不同大小病斑的检测能力；(3)集成BAM注意力机制，提升模型对病害区域的关注能力，减少背景干扰；(4)优化MPDIoU损失函数，通过引入尺度敏感性调整项，使模型对病害区域边界定位更加精确。结果表明，改进后的轻量级YOLO v10模型的检测精度(mAP@0.5~0.95)达95.3%，比基准YOLO v10模型提高3.7百分点；推理速度达 171.2帧/s，满足实时检测需求；模型大小仅为12.5 MB，比原始模型减少3.85%。该模型能够可靠地识别多种常见番茄叶片病害，特别是在早期阶段和复杂环境条件下表现出色，为农业智能化病害防控提供实用工具，对提高农作物产量与品质具有重要意义。
Abstract:
-

参考文献/References:

［1］李显娜，吴强，张一丹，等. 自监督学习下小样本番茄叶片病害检测［J］. 中国农机化学报，2024，45(7)：172-179.
［2］李云红，张蕾涛，谢蓉蓉，等. 基于AT-DenseNet网络的番茄叶片病害识别方法［J］. 江苏农业科学，2023，51(21)：209-217.
［3］谷瑞，顾家乐，宋翠玲，等. 基于坐标注意力的多尺度轻量级苹果叶片病害识别模型［J］. 中国农机化学报，2025，46(2)：173-180，186.
［4］Paul S G，Biswas A A，Saha A，et al. A real-time application-based convolutional neural network approach for tomato leaf disease classification［J］. Array，2023，19：100313.
［5］张领先，景嘉平，李淑菲，等. 基于图像自动标注与改进YOLO v5的番茄病害识别系统［J］. 农业机械学报，2023，54(11)：198-207.
［6］蒋清健，姚勇，王亚玲，等. 基于多尺度卷积神经网络算法的番茄叶片病害识别［J］. 江苏农业科学，2023，51(15)：211-216.
［7］牛潘婷，张宝林，潘丽杰，等. 基于改进GoogLeNet的玉米叶片病害识别及其可解释性研究［J］. 中国农机化学报，2025，46(1)：204-212.
［8］Tang Z W，He X Y，Zhou G X，et al. A precise image-based tomato leaf disease detection approach using PLPNet［J］. Plant Phenomics，2023，5：0042.
［9］陈智超，汪国强，李飞，等. 基于Bi-LSTM与多尺度神经网络模型的番茄病害识别［J］. 江苏农业科学，2023，51(15)：194-203.
［10］陈晓，夏颖. 基于改进MobileViT网络的番茄叶片病害识别［J］. 电子测量技术，2023，46(14)：188-196.
［11］马丽，周巧黎，赵丽亚，等. 基于深度学习的番茄叶片病害分类识别研究［J］. 中国农机化学报，2023，44(7)：187-193，206.
［12］王志强，于雪莹，杨晓婧，等. 基于WGAN和MCA-MobileNet的番茄叶片病害识别［J］. 农业机械学报，2023，54(5)：244-252.
［13］刘拥民，刘翰林，石婷婷，等. 一种优化的Swin Transformer番茄叶片病害识别方法［J］. 中国农业大学学报，2023，28(4)：80-90.
［14］Guerrero-Ibaez A，Reyes-Muoz A. Monitoring tomato leaf disease through convolutional neural networks［J］. Electronics，2023，12(1)：229.
［15］李大华，仲婷，王笋，等. 基于改进ShuffleNet v2的轻量化番茄叶片病害识别［J］. 江苏农业科学，2024，52(3)：220-228.
［16］王娜，陈勇，崔艳荣，等. 基于改进轻量化YOLO v5n的番茄叶片病害识别方法［J］. 江苏农业科学，2024，52(8)：192-199.
［17］郑超杰，李少波，蒲睿强，等. 基于轻量化卷积神经网络的番茄叶片病害识别［J］. 江苏农业科学，2024，52(11)：225-231.
［18］Attallah O. Tomato leaf disease classification via compact convolutional neural networks with transfer learning and feature selection［J］. Horticulturae，2023，9(2)：149.
［19］罗东升，周子敬，王志伟，等. 改进ACGAN数据增强的番茄叶片病害识别［J］. 太原理工大学学报，2023，54(5)：861-868.
［20］曾晏林，贺壹婷，蔺瑶，等. 基于BCE-YOLO v5的苹果叶部病害检测方法［J］. 江苏农业科学，2023，51(15)：155-163.
［21］吴六爱，许雪珂. 基于改进YOLO v10n的轻量化番茄叶片病虫害检测方法［J］. 智慧农业(中英文)，2025，7(1)：146-155.
［22］左昊轩，黄祺成，杨佳昊，等. 基于改进YOLO v5s的作物黄化曲叶病检测方法［J］. 农业机械学报，2023，54(增刊1)：230-238.
［23］李大华，孔舒，李栋，等. 基于改进SSD模型的柑橘叶片病害轻量化检测模型［J］. 浙江农业学报，2024，36(3)：662-670.
［24］Shi Y，Wang H，Wang F，et al. Efficient and accurate tobacco leaf maturity detection：an improved YOLO v10 model with DCNv3 and efficient local attention integration［J］. Frontiers in Plant Science，2025，15：1474207.
［25］Yuan W X，Lan L F，Xu J Y，et al. Smart agricultural pest detection using I-YOLO v10-SC：an improved object detection framework［J］. Agronomy，2025，15(1)：221.

相似文献/References:

[1]王娜,陈勇,崔艳荣,等.基于改进轻量化YOLO v5n的番茄叶片病害识别方法[J].江苏农业科学,2024,52(8):192.
　Wang Na,et al.Tomato leaf disease identification method based on improved lightweight YOLO v5n[J].Jiangsu Agricultural Sciences,2024,52(4):192.
[2]贾丹,明米娜,雷蕾,等.基于改进YOLO v10的水稻叶片病害识别研究[J].江苏农业科学,2026,54(4):166.
　Jia Dan,et al.Study on rice leaf disease recognition based on improved YOLO v10[J].Jiangsu Agricultural Sciences,2026,54(4):166.

备注/Memo

备注/Memo:
收稿日期：2025-02-09
基金项目：国家自然科学基金(编号：62002330)。
作者简介：党婉誉(1991—)，女，河南驻马店人，硕士，讲师，研究方向为农业、林业、计算机应用技术等。E-mail：water11230803@163.com。
更新日期/Last Update: 2026-02-20