基于改进YOLOv8的玫瑰叶片病害检测方法研究.pdfVIP

摘要

玫瑰作为世界上最受欢迎的花卉之一，其观赏价值和经济价值均十分显著。然而，

玫瑰在生长过程中常受到各种病害的侵袭，其中叶片病害尤为常见且对玫瑰的生长和品

质均造成了严重的影响。因此，如何快速、准确地检测和识别玫瑰叶片病害，对于防治

病害、提升玫瑰的产量和品质均具有十分重要的意义。本文针对传统玫瑰叶片病害检测

方法检测效率低下，检测精度达不到预期效果的缺陷，提出了一种基于改进YOLOv8

的玫瑰叶片病害检测方法，旨在解决传统方法在检测精度和速度方面存在的问题。本文

主要研究内容如下：

(1)为了训练和测试改进后的YOLOv8(YouOnlyLookOnceversion8)模型，获取并

建立了包含多种玫瑰叶片病害类别的数据集，并进行了有效的数据增强和预处理工作。

(2)针对现有玫瑰叶片检测算法检测精度上存在的不足，通过三个方面对YOLOv8

进行了改进。首先，针对玫瑰叶片病害特征提取能力不足的问题，在原YOLOv8模型结

构上添加了CBAM(ConvolutionalBlockAttentionModule)注意力模块。然后，针对玫瑰

叶片病害小目标检测过程中存在的准确率不高以及漏检严重的问题，增加了

160pixel×160pixel的小目标检测层。最后，针对检测过程中目标之间的重叠较大，或者

目标的大小和尺寸变化较大时，NMS(Non-MaximumSuppression)可能会失效的问题，引

入了Soft-NMS(SoftNon-MaximumSuppression)方法。实验结果表明，改进后的YOLOv8

算法在增加了少量的计算量的前提下，有效地提升了玫瑰叶片病害的检测精度，实现了

模型对多类别玫瑰叶片病害的针对性识别。

(3)针对现有玫瑰叶片检测算法检测速度上存在的不足，在已提高了检测精度的改

进YOLOv8算法的基础上，进一步轻量化改进模型来提高模型的检测速度。首先，轻量

化改进了模型结构中的C2f模块，将C2f模块改进成了更轻量化的C2f_Faster模块，在

几乎不降低检测精度的前提下，实现了模型的轻量化。然后，又修改了模型的损失函数，

将模型的原损失函数CIoU替换为了损失函数Wise-IoUv3，提高了模型的收敛速度，更

有效地应对了低质量标注问题。实验结果表明，改进后的模型表现优秀，满足了检测任

务所需的精度与速度，实现了在保持高检测精度条件下模型轻量化的目标。

综上所述，本文提出了一种基于改进YOLOv8的玫瑰叶片病害检测方法，该方法利

I

用深度学习技术，高效且精确地完成了玫瑰叶片病害的检测任务，为农业生产的智能化

做出了贡献，也为其他类似问题提供了参考和借鉴。

关键词：玫瑰叶片病害；目标检测；YOLOv8；注意力机制；WIOU；

II

ABSTRACT

Aimingatthedefectsofthetraditionalroseleafdiseasedetectionmethodsthathavelow

detectionefficiencyandthedetectionaccuracycannotreachtheexpectedeffect,thispaper

proposesaroseleafdiseasedetectionmethodbasedontheimprovedYOLOv8,whichis

aimedatsolvingtheproblemsofthetraditionalmethodsintermsofdetectionaccuracyand

speed.Themainresearchcontentofthispaperisasfollows:

(1)InordertotrainandtesttheimprovedYOLOv8(YouOnlyLookOnceversion8)

model,weconstructedadatasetcontainingavarietyofroseleafdiseasecategories,andcarried

outeffectivedataenhancementandprepro