|本期目录/Table of Contents|

[1]曾林涛,马嘉昕,丁羽,等.基于改进YOLO v8的苹果叶部病害检测方法[J].江苏农业科学,2025,53(5):147-156.
　Zeng Lintao,et al.An apple leaf disease detection method based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2025,53(5):147-156.
点击复制

基于改进YOLO v8的苹果叶部病害检测方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第5期
页码:
147-156
栏目:
病害智能检测
出版日期:
2025-03-05

文章信息/Info

Title:
An apple leaf disease detection method based on improved YOLO v8
作者:
曾林涛1; 2; 3; 马嘉昕1; 2; 3; 丁羽1; 2; 3; 许晓东1; 2; 3
1.塔里木大学机械电气化工程学院，新疆阿拉尔 843300； 2.南疆特色农林产物利用与装备兵团重点实验室，新疆阿拉尔 843300； 3.新疆维吾尔自治区教育厅普通高等学校现代农业工程重点实验室，新疆阿拉尔 843300
Author(s):
Zeng Lintao; et al
关键词:
YOLO v8; 苹果叶部病害; 目标检测; Shuffle Attention; C2f_DCNV2; MPDIoU
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点，提出一种高效的病害检测模型，为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法，在主干网络(backbone)末端，加入注意力机制Shuffle Attention(SA)，根据样本分布特点进行数据增强，引入Mixup、Mosaic、Random等数据增强方法增加特征表达能力，在提高检测性能的同时，不显著增加计算复杂度；在neck末端，使C2f模块与可变形卷积神经网络模块(Deformable Conv V2)相结合，以提升复杂背景下的检测性能，从而提高检测准确度，有效提高模型性能；为克服CIoU损失函数的局限性，采用MPDIoU损失函数，解决CIoU在特定场景下的限制。结果表明，相较于原始YOLO v8算法，本研究算法的平均准确率提升3.5百分点，mAP@0.5 ∶[KG-*3]0.95提升4.6百分点，精确率提升3.6百分点，说明改进的算法在苹果叶部病害检测方面取得有效成果。
Abstract:
-

参考文献/References:

［1］李娜，田云龙，张蕾，等. 中国化肥减量增效行动与技术研究［J/OL］. 农业资源与环境学报，(2024-03-11)［2024-06-09］.
［2］王权顺，吕蕾，黄德丰，等. 基于改进YOLO v4算法的苹果叶部病害缺陷检测研究［J］. 中国农机化学报，2022，43(11)：182-187.
［3］Jiang P，Chen Y H，Liu B，et al. Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks［J］. IEEE Access，2019，7：59069-59080.
［4］Sun H N，Xu H W，Liu B，et al. MEAN-SSD：a novel real-time detector for apple leaf diseases using improved light-weight convolutional neural networks［J］. Computers and Electronics in Agriculture，2021，189：106379.
［5］刘斌，徐皓玮，李承泽，等. 基于快照集成卷积神经网络的苹果叶部病害程度识别［J］. 农业机械学报，2022，53(6)：286-294.
［6］张航，程清，武英洁，等. 一种基于卷积神经网络的小麦病害识别方法［J］. 山东农业科学，2018，50(3)：137-141.
［7］贾少鹏，高红菊，杭潇. 基于深度学习的农作物病虫害图像识别技术研究进展［J］. 农业机械学报，2019，50(增刊1)：313-317.
［8］Deng F，Pu S L，Chen X H，et al. Hyperspectral image classification with capsule network using limited training samples［J］. Sensors，2018，18(9)：3153.
［9］龙阳，肖小玲. 基于多注意力机制的苹果叶部病害检测方法［J］. 江苏农业科学，2023，51(23)：178-186.
［10］王金鹏，何萌，甄乾广，等. 基于COF-YOLOv 8n的油茶果静、动态检测计数［J］. 农业机械学报，2024，55(4)：193-203.
［11］Zhang X H，Li H L，Sun S H，et al. Classification and identification of apple leaf diseases and insect pests based on improved ResNet-50 model［J］. Horticulturae，2023，9(9)：1046.
［12］陈佳慧，王晓虹. 改进YOLO v5的无人机航拍图像密集小目标检测算法［J］. 计算机工程与应用，2024，60(3)：100-108.
［13］张艳宁，王鹏，张磊，等. 面向无人移动平台的自主进化学习研究进展与展望［J］. 科学通报，2023，68(35)：4821-4843.
［14］Huangfu Z M，Li S Q. Lightweight you only look once v8：an upgraded you only look once v8 algorithm for small object identification in unmanned aerial vehicle images［J］. Applied Sciences，2023，13(22)：12369.
［15］Yue X，Qi K，Na X Y，et al. Improved YOLO v8-Seg network for instance segmentation of healthy and diseased tomato plants in the growth stage［J］. Agriculture，2023，13(8)：1643.
［16］Qian K，Wang S Q，Zhang S J，et al. SiamPKHT：hyperspectral Siamese tracking based on pyramid shuffle attention and knowledge distillation［J］. Sensors，2023，23(23)：9554.
［17］陈军，孙丽丽，孟洪兵，等. 融合瓶颈注意力模块的改进YOLO v7织物疵点检测算法［J］. 棉纺织技术，2024，52(3)：53-60.
［18］赵宗扬，康杰虎，吴斌，等. 基于FRL-Net的高鲁棒性多尺度小样本轨道入侵异物检测方法研究［J］. 仪器仪表学报，2024，45(1)：239-249.
［19］Sharma S，Kumar V，Rana K P S. Automatic oscillations detection and quantification in process control loops using linear predictive coding［J］. Engineering Science and Technology，an International Journal，2020，23(1)：123-143.
［20］刘鑫，马本学，李玉洁，等. 基于改进YOLO v7-ByteTrack的干制哈密大枣缺陷检测与计数系统［J］. 农业工程学报，2024，40(3)：303-312.
［21］Xie Y H，Yin B，Han X W，et al. Improved YOLO v7-based steel surface defect detection algorithm［J］. Mathematical Biosciences and Engineering，2024，21(1)：346-368.
［22］Iqbal J，Munir M A，Mahmood A，et al. Leveraging orientation for weakly supervised object detection with application to firearm localization［J］. Neurocomputing，2021，440：310-320.
［23］刘毅君，何亚凯，吴晓媚，等. 基于改进Faster R-CNN的马铃薯发芽与表面损伤检测方法［J］. 农业机械学报，2024，55(1)：371-378.
［24］舒振宇，秦昊. 基于SKNet注意力机制的飞机类型识别算法［J］. 中南民族大学学报(自然科学版)，2024，43(1)：69-77.
［25］麻斯亮，许勇. 最小点距离的边界框回归损失函数及其应用［J］. 小型微型计算机系统，2024，45(11)：2695-2701.
［26］李云红，张蕾涛，李丽敏，等. 基于CycleGAN-IA方法和 M-ConvNext 网络的苹果叶片病害图像识别［J］. 农业机械学报，2024，55(4)：204-212.

相似文献/References:

[1]龙阳,肖小玲.基于多注意力机制的苹果叶部病害检测方法[J].江苏农业科学,2023,51(23):178.
　Long Yang,et al.Apple leaf disease recognition method based on multi-attention mechanism[J].Jiangsu Agricultural Sciences,2023,51(5):178.
[2]李志良,李梦霞,董勇,等.基于改进YOLO v8的轻量化玉米害虫识别方法[J].江苏农业科学,2024,52(14):196.
　Li Zhiliang,et al.Lightweight corn pest recognition method based on enhanced YOLO v8[J].Jiangsu Agricultural Sciences,2024,52(5):196.
[3]叶琪,王丽芬,马明涛,等.基于改进YOLO v8的草莓病害检测方法[J].江苏农业科学,2024,52(20):250.
　Ye Qi,et al.Strawberry disease detection method based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2024,52(5):250.
[4]李龙,李梦霞,李志良.基于改进YOLO v8的水稻害虫识别方法[J].江苏农业科学,2024,52(20):209.
　Li Long,et al.Rice pest identification method based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2024,52(5):209.
[5]张立强,武玲梅,蒋林利,等.基于改进YOLO v8s的葡萄叶片病害检测[J].江苏农业科学,2024,52(21):221.
　Zhang Liqiang,et al.Detection of grape leaf disease based on improved YOLO v8s[J].Jiangsu Agricultural Sciences,2024,52(5):221.
[6]鲍宜帆,张一丹,樊彩霞,等.基于深度学习的草莓成熟度检测方法[J].江苏农业科学,2025,53(5):89.
　Bao Yifan,et al.Study on strawberry maturity detection method based on deep learning[J].Jiangsu Agricultural Sciences,2025,53(5):89.
[7]沈桂芳,张平.基于改进YOLO v8的温室草莓成熟度智能实时识别[J].江苏农业科学,2025,53(5):62.
　Shen Guifang,et al.Intelligent real-time recognition of strawberry maturity in greenhouses based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2025,53(5):62.

备注/Memo

备注/Memo:
收稿日期：2024-04-01
基金项目：新疆生产建设兵团第一师阿拉尔市科技计划(编号：2020ZB04)。
作者简介：曾林涛(1996—)男，河南周口人，硕士研究生，研究方向为农业机械化。E-mail：158123794@qq.com。
通信作者：丁羽，硕士，教授，硕士生导师，主要从事农业机械化研究。E-mail：dyandcae@163.com。
更新日期/Last Update: 2025-03-05