基于改进YOLOv10n的轻量化复杂背景葡萄叶片病害检测方法

摘要

[目的]针对复杂背景下葡萄叶片病害检测任务中模型准确率与部署效率难以兼顾的问题，提出一种基于改进YOLOv10n的轻量化实时检测模型。通过结构优化与注意力机制增强，在保证检测精度的同时显著降低计算复杂度，以促进模型在移动设备及实际农业场景中的高效部署。[方法]首先，在Backbone网络中设计C2f-HFDRB模块替代原C2f模块，通过将输入特征划分为高、低频两个分支，强化对病害区域高频信息与局部细节特征的建模能力；其次，采用CAA-HSFPN结构替换Neck网络结构，通过精简高计算量组件实现特征金字塔的高效融合；最后，融入TripletAttention注意力模块，通过捕捉跨空间与通道维度的交互依赖关系，精准聚焦于复杂背景下的病害目标区域。[结果]所提模型精确率达到92.0%，提高1.1%；召回率为91.0%；平均精度均值mAP@0.5达到93.3%，提高1.4%。在计算效率方面，模型的计算量较原模型降低60%，降至3.4 GFLOPs；参数量降低0.95 M，仅为1.95 M；实现优异的轻量化特性。[结论]该模型与主流轻量级检测算法相比，在精度-效率权衡方面表现出明显优势，为葡萄叶片病害的实时精准检测及在资源受限环境下的实际应用提供了有效的技术方案与重要参考。

关键词

yolov10n / 葡萄叶片 / 图像识别 / 轻量化