[1]梁岩,苏恒强.基于改进YOLO v8s的玉米病害程度检测模型[J].江苏农业科学,2025,53(20):296-307.
　Liang Yan,et al.A maize disease severity detection model based on improved YOLO v8s[J].Jiangsu Agricultural Sciences,2025,53(20):296-307.
点击复制

基于改进YOLO v8s的玉米病害程度检测模型()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第20期
页码:
296-307
栏目:
病虫害智能检测
出版日期:
2025-10-20

文章信息/Info

Title:
A maize disease severity detection model based on improved YOLO v8s
作者:
梁岩; 苏恒强
吉林农业大学信息技术学院，吉林长春 130118
Author(s):
Liang Yan; et al
关键词:
玉米病害; 检测; YOLO v8; 深度学习; 模型轻量化
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对现有玉米病害程度检测存在准确率低、模型参数量和计算量较大、难以在资源受限的农业设备和移动设备部署等问题，基于YOLO v8s提出了一种玉米病害程度检测模型CFMS-YOLO v8s。首先，在主干网络中，为同时提升模型的全局与局部细节信息提取能力，融合MHSA多头自注意力机制、CGLU卷积门控线性单元和DEconv细节增强卷积提出CSP-PTDB模块，替换第6、8层的C2f模块，为增强模型的多尺度特征与细颗粒度提取能力提出FPSC模块，使用膨胀率不同的共享卷积对多尺度特征进行提取，替换SPPF模块；其次，在特征融合网络中提出了MS-FPN特征融合网络，该网络先使用MLCA注意力机制对特征进行选择再以自顶向下的方式进行特征融合，增强了不同尺度特征的融合程度；最后，在检测头网络中引入ScConv轻量化卷积共享参数降低模型的参数量与计算量。试验结果表明，改进后的CFMS-YOLO v8s模型，在玉米病害程度测试集上的平均精确率为92.9%、召回率为92.9%、F1分数为92.8%，较原模型分别提升了1.3、1.2、1.2百分点，模型的参数量为5.0 M、计算量为14.5 G，较原模型分别降低了52.8%、49.1%。本研究提出的玉米病害程度检测模型不仅提高了检测的精度，而且降低了模型的参数量和计算量，使模型在检测精度与轻量化之间取得了更好的平衡。
Abstract:
-

参考文献/References:

［1］Malik M M，Fayyaz A M，Yasmin M，et al. A novel deep CNN model with entropy coded sine cosine for corn disease classification［J］. Journal of King Saud University(Computer and Information Sciences)，2024，36(7)：102126.
［2］樊湘鹏，周建平，许燕，等. 基于改进卷积神经网络的复杂背景下玉米病害识别［J］. 农业机械学报，2021，52(3)：210-217.
［3］杨佳昊，左昊轩，黄祺成，等. 基于YOLO v5s的作物叶片病害检测模型轻量化方法［J］. 农业机械学报，2023，54(增刊1)：222-229.
［4］Rashid R，Aslam W，Aziz R，et al. An early and smart detection of corn plant leaf diseases using IoT and deep learning multi-models［J］. IEEE Access，2024，12：23149-23162.
［5］杜英杰，宗哲英，王祯，等. 农作物病害诊断方法现状和展望［J］. 江苏农业科学，2023，51(6)：16-23.
［6］Panigrahi K P，Sahoo A K，Das H. A CNN approach for corn leaves disease detection to support digital agricultural system［C］//2020 4th International Conference on Trends in Electronics and Informatics (ICOEI)(48184).Tirunelveli，India.IEEE，2020：678-683.
［7］Singh R，Sharma N，Gupta R. Classification and detection of corn leaf disease using ResNet 18 transfer learning model［C］//2023 8th International Conference on Communication and Electronics Systems (ICCES).Coimbatore，India.IEEE，2023：1655-1661.
［8］熊梦园，詹炜，桂连友，等. 基于ResNet模型的玉米叶片病害检测与识别［J］. 江苏农业科学，2023，51(8)：164-170.
［9］马晓，邢雪，武青海.基于改进ConvNext的复杂背景下玉米叶片病害分类［J］. 江苏农业科学，2023，51(19)：190-197.
［10］Chy M S R，Mahin M R H，Islam M F，et al. Classifying corn leaf diseases using ensemble learning with dropout and stochastic depth based convolutional networks［C］//Proceedings of the 2023 8th International Conference on Machine Learning Technologies.Stockholm Sweden.ACM，2023：185-189.
［11］李名博，任东悦，郭俊旺，等. 基于改进YOLOX-S的玉米病害识别［J］. 江苏农业科学，2024，52(3)：237-246.
［12］张继成，黄向党. 基于改进YOLO v3的玉米病害识别方法［J］. 中国农机化学报，2024，45(7)：269-275.
［13］马春悦，郭秀茹，王琛，等. 一种基于改进ResNet18神经网络的玉米叶片病害识别方法［J］. 山东农业大学学报(自然科学版)，2024，55(3)：356-366.
［14］陈广泉，侯梁宇，张建超，等. 河西走廊制种玉米锈病田间诊断与病原鉴定［J］. 农业科技通讯，2018(8)：167-169.
［15］Chen Z X，He Z W，Lu Z M. DEA-Net：single image dehazing based on detail-enhanced convolution and content-guided attention［J］. IEEE Transactions on Image Processing，2024，33：1002-1015.
［16］Shi D.TransNeXt：robust foveal visual perception for vision transformers［C］//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle，WA，USA.IEEE，2024：17773-17783.
［17］Prewitt J M S. Object enhancement and extraction［J］. Picture processing and Psychopictorics，1970，10(1)：15-19.
［18］Wang A，Chen H，Liu L H，et al. YOLO v10：Real-time end-to-end object detection［EB/OL］. (2024-10-30)［2024-11-01］. https://arxiv.org/abs/2405.14458.
［19］陈梓延，王晓龙，何迪，等. 基于改进YOLO v8的轻量化车辆检测网络［J］. 计算机工程，2025，51(5)：314-325.
［20］Wan D H，Lu R S，Shen S Y，et al. Mixed local channel attention for object detection［J］. Engineering Applications of Artificial Intelligence，2023，123：106442.
［21］Liu W Z，Lu H，Fu H T，et al. Learning to upsample by learning to sample［C］//2023 IEEE/CVF International Conference on Computer Vision (ICCV).Paris，France.IEEE，2023：6004-6014.
［22］Li J F，Wen Y，He L H. SCConv：spatial and channel reconstruction convolution for feature redundancy［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Vancouver，BC，Canada.IEEE，2023：6153-6162.
［23］Hou Q B，Zhou D Q，Feng J S.Coordinate attention for efficient mobile network design［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Nashville，TN，USA.IEEE，2021：13708-13717.
［24］Ouyang D L，He S，Zhang G Z，et al. Efficient multi-scale attention module with cross-spatial learning［C］//ICASSP 2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing (ICASSP).Rhodes Island，Greece.IEEE，2023：1-5.
［25］Wang Q L，Wu B G，Zhu P F，et al. ECA-Net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle，WA，USA.IEEE，2020：11531-11539.
［26］Yang L，Zhang R Y，Li L，et al. Simam：a simple，parameter-free attention module for convolutional neural networks［C］//International Conference on Machine Learning.New York：PMLR，2021：11863-11874.
［27］Rahman M M，Munir M，Marculescu R. EMCAD：efficient multi-scale convolutional attention decoding for medical image segmentation［C］//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle，WA，USA.IEEE，2024：11769-11779.
［28］Ding X H，Zhang X Y，Ma N N，et al. RepVGG：making VGG-style ConvNets great again［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Nashville，TN，USA.IEEE，2021：13733-13742.
［29］Han K，Wang Y H，Tian Q，et al. GhostNet：more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle，WA，USA.IEEE，2020：1577-1586.

相似文献/References:

[1]张永江,辛言言,李桂芬,等.实时荧光RT-PCR方法检测马铃薯V病毒[J].江苏农业科学,2013,41(06):36.
　Zhang Yongjiang,et al.Detection of potato virus V by real-time fluorescent RT-PCR[J].Jiangsu Agricultural Sciences,2013,41(20):36.
[2]杨怀君,阎洪山,卢勇涛,等.乌斯特智能在线检测控制系统试验分析[J].江苏农业科学,2014,42(09):287.
　Yang Huaijun,et al.Experimental analysis of Uster intelligent online detection and control system[J].Jiangsu Agricultural Sciences,2014,42(20):287.
[3]郭凤柳,熊蕊,刘晓慧,等.肉制品中驴源性成分PCR方法的建立及应用[J].江苏农业科学,2014,42(08):35.
　Guo Fengliu,et al.Establishment and application of PCR method for donkey derived ingredients in meat productsGuo Fengliu，et al[J].Jiangsu Agricultural Sciences,2014,42(20):35.
[4]冯才伟,冯月君,崔海峰,等.呋喃它酮代谢物化学发光试剂盒的建立[J].江苏农业科学,2013,41(09):277.
　Feng Caiwei,et al.Establishment of chemiluminescence assay kit of furaltadone metabolite[J].Jiangsu Agricultural Sciences,2013,41(20):277.
[5]刘健,张德咏,张松柏,等.湖南和福建辣椒上辣椒脉斑驳病毒的检测及系统发育分析[J].江苏农业科学,2016,44(05):184.
　Lu Jian,et al.Detection and phylogenetic analysis of chilli veinal mottle virus infected pepper in Hunan and Fujian provinces[J].Jiangsu Agricultural Sciences,2016,44(20):184.
[6]宋丰顺,倪大虎,倪金龙,等.杂交水稻种子纯度检测方法综述[J].江苏农业科学,2016,44(06):6.
　Song Fengshun,et al.Study on detection methods of seed purity of hybrid rice：a review[J].Jiangsu Agricultural Sciences,2016,44(20):6.
[7]赵永前,孙华伟,张敬峰,等.某进口原种猪场仔猪猪瘟首免日龄的确定与分析[J].江苏农业科学,2016,44(06):354.
　Zhao Yongqian,et al.Confirmation and analysis of date of initial immunization for piglet with swine fever virus vaccine in an import original breeding farm[J].Jiangsu Agricultural Sciences,2016,44(20):354.
[8]张文志,鲁绯,闫红.酱油中抗草甘膦大豆转基因多种成分的检测：实时荧光定量PCR和传统PCR的比较[J].江苏农业科学,2016,44(06):372.
　Zhang Wenzhi,et al.Detection of Roundup ready transgenic components in soy sauce：comparison of real-time fluorescence quantitative PCR and traditional PCR[J].Jiangsu Agricultural Sciences,2016,44(20):372.
[9]胡乐琴,吴春燕,杨秀文,等.微囊藻毒素ELISA检测方法的建立与评估[J].江苏农业科学,2015,43(09):340.
　Hu Leqin,et al.Establishment and evaluation of ELISA detection method of microcystic toxins[J].Jiangsu Agricultural Sciences,2015,43(20):340.
[10]钱正.农业质检机构的检测质量控制和开展新项目的方法确认[J].江苏农业科学,2015,43(06):271.
　Qian Zheng.Quality control of agricultural quality inspection institutions and methods for creating new projects[J].Jiangsu Agricultural Sciences,2015,43(20):271.

备注/Memo

备注/Memo:
收稿日期：2024-11-04
基金项目：国家自然科学基金(编号：U19A2061)；吉林省发改委项目(编号：2021C044-8)。
作者简介：梁岩(1991—)，男，黑龙江北安人，硕士，主要从事机器视觉、智慧农业研究。E-mail：20221127@mails.jlau.edu.cn。
通信作者：苏恒强，硕士，副教授，主要从事机器视觉、农业信息化研究。E-mail：suhengqiang@jlau.edu.cn。
更新日期/Last Update: 2025-10-20