基于改进YOLOv10n的石榴病害检测

摘要

[目的]针对复杂背景、多变环境和多尺度目标下的石榴病害检测识别精度不高、泛化能力不足、特征提取复杂的问题，提出一种石榴病害检测模型MBC-YOLOv10n。[方法]首先，在YOLOv10n模型的所有C2f中通过融合混合局部通道注意力机制（MLCA），增强模型对石榴病害特征的敏感性，提高检测病害的精确度。其次，考虑到石榴病害的多变性和多尺度的特征，结合双向特征金字塔网络（BiFPN），通过不同尺度特征融合，在不增加参数的同时提升模型的精确度和召回率。最后，加入卷积注意力模块（CBAM），通过空间和通道注意力机制，增强模型对复杂背景的抗干扰能力。[结果]MBC-YOLOv10n的平均精度均值（MAP50）较原模型提升1.3%，达到90.1%，精确度（Precision）较原模型增加2.4%，达到90.5%，召回率（Recall）较原模型增加2.0%，达到88.4%,MAP50～95较原模型提升5.0%，达到57.9%，参数量仅为2.9 M，对石榴病害的检测能力明显增强。MBC-YOLOv10n模型具有良好的检测精度，且参数量较少，在保证高精度检测的同时，具备轻量化特性。[结论]改进后的MBC-YOLOv10n能够的在自然环境下有效检测石榴病害，兼顾高精度、轻量化，为智慧农业中石榴病害的早期预警与精确防控提供技术支持，也为后续病害检测模型的优化与应用推广奠定理论基础。

关键词

石榴病害 / MLCA / BiFPN / CBAM