基于改进YOLO算法的苹果叶片病害识别研究.pdfVIP

摘要

苹果作为我国农业生产中的重要作物，其种植面积广泛、产量高，直接关系到国

民经济和民生福祉。然而，苹果树在生长过程中，常受到各种病虫害的侵袭，这不仅

影响产量，还会降低果品质量，给农民带来经济损失。传统的病虫害诊断方法依赖于

种植人员的经验判断，不仅耗时耗力，而且准确率不高。随着人工智能技术的发展，

目标检测在图像识别领域的应用为病害识别提供了新的解决方案。因此本文通过将数

据集进行预处理后，以YOLOv8s算法为基础进行相关改进工作：

（1）由于目标检测算法一般要应用于移动或嵌入式设备中，但YOLOv8s的主

干网络采用了较为复杂的C2f网络结构，这使得计算量大幅增加，检测速度慢，因此

如此大而复杂的模型难以被应用。为了解决这个问题，本文采用轻量级的

MobileNetV3网络作为YOLOv8s的主干网络，将网络结构进行精简，大大减少了模

型的参数量和计算量。

2YOLOv8sSPPF

（）为了帮助模型能从大量数据中筛选出关键信息，本文在的

模块后添加SA注意力机制，该位置能够更好地识别和聚焦于关键病害区域，SA通

过将通道洗牌和分组卷积相结合，有效地利用了空间和通道两种类型的注意力机制，

增强了模型对图像中重要特征的捕捉能力。

3

（）由于样本存在差异和不平衡的问题，这就导致训练过程中会过度强化边界

框对低质量数据的回归，进而对模型检测性能产生负面影响导致处理多样性样本效果

不佳的问题，本文采用WIoUv3替换YOLOv8s中的CIoU的方法，通过对不同质量

的样本分配不同的权重进行区分处理，从而改善了模型对多样性样本的处理效果。

本文经过大量实验分析，验证了每处改进点的合理性及经过三处综合改进的

YOLOv8s-MSW模型的优势，并最终应用于系统中。

关键词：目标检测；轻量化；损失函数；注意力机制

I

ABSTRACT

AsacrucialcropinChinasagriculturalproduction,applesarewidelyplantedand

havehighyields,directlyaffectingthenationaleconomyandpeopleslivelihoods.

However,appletreesareoftenplaguedbyvarIoUspestsanddiseasesduringtheirgrowth,

whichnotonlyimpactsyieldbutalsoreducesfruitquality,causingeconomiclossesfor

farmers.Traditionalmethodsfordiagnosingpestsanddiseasesrelyontheexperienceand

judgmentofagriculturalworkers,whicharetime-consuming,labor-intensive,andoften

inaccurate.Withthedevelopmentofartificialintelligencetechnology,deeplearning

applicationsinimagerecognitionhaveprovidednewsolutionsfordiseaseidentification.

Therefore,thisthesisimprovesupontheYOLOv8salgorithmtoaddressthesechallenges:

(1)ThecomplexC2f