基于CMS-YOLOv8n的葡萄叶片病害检测

摘要

[目的]在复杂的农业场景下，人工观测葡萄叶片病害存在效率低及误判率高的问题。为了改变这一现状，提升葡萄叶病害检测的准确性与效率，满足农业生产中对病害早发现、早防治的需求，提出一种基于改进YOLOv8n模型的葡萄叶病害检测算法CMS-YOLOv8n。[方法]首先在骨干网络和颈部网络中引入CBAM。CBAM通过结合通道和空间注意力，能够让模型更有效地聚焦于病害区域特征。当面对葡萄叶片上不规则的病害目标时，普通模型可能难以准确捕捉特征，而引入CBAM后的模型，能自动学习到病害区域在通道和空间维度上的重要特征，从而显著提升对不规则病害目标的表征能力。其次，设计新型C2f＿MS-Block模块：用它来替代颈部网络中的C2f模块。多尺度构建块能够从不同尺度去提取病害目标信息，对于不同大小、形状的病害，都能很好地捕捉其特征。在降低模型复杂度的同时，极大地提升对病害目标多尺度信息的处理能力，使得模型在不同环境下都能稳定地检测出病害。[结果]相较于原始YOLOv8n，改进后的模型性能有显著提升。在检测精度方面，mAP50提高1.3%,mAP50-95提高0.3%；在模型复杂度方面，FLOPs从8.1 G降低至7.8 G。[结论]改进后的模型不仅检测精度更高，而且在运行时所需的计算量更少，更有利于在实际场景中部署和应用。在未来的农业生产中，有望进一步推广应用，帮助种植户及时发现葡萄叶病害，减少经济损失，促进葡萄产业的健康发展。

关键词

YOLOv8 / 病害检测 / CBAM / MS-Block