EMD-YOLO：基于YOLOv8n改进的轻量化作物叶部病害检测算法

摘要

为准确、快速地识别作物叶部病害，降低手工诊断成本，减少叶部病害对作物生长过程与产量的危害，提出一种基于YOLOv8n新型轻量级作物叶部病害检测算法EMD-YOLO。该算法结合多尺度空洞注意力MSDA、EffectiveSE注意力机制、DySample上采样以及Wise-IoU损失函数。其中，多尺度空洞注意力MSDA结合多尺度空间卷积与注意力机制，提高多尺度特征提取效率；EffectiveSE强化特征选择，提升模型表示性能；DySample上采样保留重要特征，提高特征图分辨率和检测性能；Wise-IoU损失函数优化交并比(IoU)计算方式，提升模型定位精度。结果显示，EMD-YOLO的精确度、mAP@0.5、模型权重分别为96.3%、92.8%、4.85 MB，较基线模型YOLOv8n的精确度和平均精度均值分别提高3.0和3.6百分点，权重降低1.4 MB。结果表明，EMD-YOLO的泛化性良好，适用于移动端农作物叶部病害检测设备。

关键词

深度学习 / 作物叶部病害 / YOLOv8 / EffectiveSE注意力机制 / 多尺度空洞注意力MSDA / 轻量化算法