基于改进YOLOv8的轻量级复杂环境苹果叶片病害检测方法

摘要

[目的]本研究旨在开发一种准确检测苹果叶片病害的轻量化模型方法。[方法]构建了一个自然复杂场景下包含15 190张高质量RGB图像的苹果叶片病害数据集ALD6,涵盖了实际生产中最为常见的5种病害类型和1个健康对照类。提出基于YOLOv8s改进的高效苹果叶片病害检测模型ADDN-YOLO。用BoT替换部分C2f结构以更好地捕捉图像中的全局和局部的丰富信息，提高模型特征提取能力的同时降低计算开销；设计了更轻量化的检测头以降低模型复杂性，更易部署于硬件设备上；引入MPDIoU损失函数优化了原CIoU对目标尺寸变化不敏感的问题，更加全面考虑目标的位置和尺寸差异信息，提高目标的定位能力。[结果]在ALD6数据集上病害识别的平均精度均值为94.9%,相较原始基准模型提高0.7%,计算量和模型大小比基准模型降低35.6%和35.5%。模型大小为13.8 MB,模型推理速度为175.7 FPS。[结论]ADDN-YOLO算法在准确性和降低模型复杂性方面都具有明显优势，可以为自然场景下苹果叶片病害的高效、准确检测识别提供支持。

关键词

深度学习 / 苹果叶片病害 / 卷积神经网络 / 目标检测