基于多维度优化的YOLOv8植物病害检测算法

摘要

针对传统目标检测模型（YOLOv8）在特定植物病害检测中存在的细粒度特征捕捉不足、小样本泛化能力弱及易过拟合等问题，本文提出一种面向5类植物病害（葡萄叶黑腐病、蓝莓叶病、大豆叶病、树莓叶病、玉米锈病叶病）的多维度优化算法。该算法以单次目标检测算法（YOLOv8）为基础，通过将输入图像尺寸增至896像素×896像素的方式，强化对病斑细节的提取，采用AdamW优化器与余弦学习率调度策略提升收敛效率，设计针对性数据增强方案，适配田间病害场景多样性，结合标签平滑与Dropout正则化缓解过拟合。实验结果表明：优化后的算法在目标数据集上表现优异，玉米锈病叶病的平均精度均值（mAP）@0.5由89.5%提升至95.9%，大豆叶病准确率由62.8%提升至83.3%,5类病害的检测准确率、召回率及F₁分数显著提升，mAP@0.5较原始YOLOv8提升25%～35%，为植物病害精准检测提供了高效解决方案。

关键词

YOLOv8 / 植物病害检测 / AdamW优化器 / 数据增强 / 正则化 / 余弦学习率

基金资助

吉林工程职业学院校内科研基金项目“基于深度学习的农作物病害图像识别算法研究”（[2025]第KY08号）