一种复杂背景下的苹果树病害多维动态自适应检测模型.pdfVIP

一种复杂背景下的苹果树病害多维动态自适应检测模型.pdf

第50卷第3期信息化研究Vol.50No.3

2024年6月InformatizationResearchJun.22024

种复杂背景下的苹多维动态自适应检测模型

航，郭汝昂，任帅

张舟

（西安石油大学计算机学院，西安，710065）

摘要：针对目前苹果树病害数据集病害种类不全以及图片背景单一的问题，本文构建了复杂

背景下包括苹果树不同部位7种常见病害的苹果树病害数据集。针对目前主流苹果树病害检测模

型检测精度不高，模型复杂等问题，提出了一种基于YOLOv8-NANO改进得到的复杂背景下的苹果

树病害多维动态自适应检测模型（MDD-YOLOv8）。首先，设计并使用了高效多尺度注意力卷积

(EMAC)模块来更换骨干网络（Backbone）中的卷积（Conv）模块来捕捉细节信息，以提高模型的特征

提取能力。其次，设计了ODC2F模块并用其更换颈部网络（Neck）中的所有跨阶段局部层卷积

(C2F)模块，减少模型的参数量和计算量的同时提高了模型的检测精度。最后引入SIoU损失函

数（SIoULoss)来提高模型对于苹果果实或叶片上密集小目标病害的检测性能。在自制数据集上

MDD-YOLOv8相对原始YOLOv8-NANO模型平均精度均值（mAP)提升了6.8%，同时模型的参

数量和计算量分别下降了8.54%和13.7%。对比主流的目标检测模型，MDD-YOLO也具有一定

的优越性。

关键词：苹果树病害；目标检测；YOLOv8；注意力机制；SIoU损失函数

中图分类号：TP181

0引言在苹果的病害防治阶段，传统的病害检测方法

效率低、人工成本较高，已渐不能满足苹果种植业的

苹果作为“世界四大水果之冠”，富含多种维大规模发展的需求。如今人工智能产业飞速发展，

生素及矿物质，一直深受世界各地消费者喜爱。计算机视觉作为人工智能的一个十分重要研究分

并且苹果产业是富民产业，苹果种植区的多数县支，具有十分广泛的应用前景[2-3]。相较于传统方

域把推进苹果产业高质量发展作为实现乡村振兴法，计算机视觉可以更准确且快速地帮助管理人员

的产业基础。伴随着苹果产业的蓬勃发展，各对农作物病害进行定位和分类[4-6]。王泽伟等人[7]

种病害也频繁爆发，对苹果产量及品质影响极大。提出改进YOLOv5算法

苹果病害首先出现在叶片上，其次在成果上也有的苹果叶片病害缺陷检测算法，通过引人简单无参

表现，并且症状十分复杂，因此苹果病害防治仍然注意力机制模块（Simple

面临巨大挑战。如果能够快速且准确地识别苹果Module,SimAM)[8]，并替换YOLOv5模型中的骨

的病害位置以及种类并及时处理，将大大提高果干网络为快速主干网络(FasterNet)[}，实验平均精

农的经济效益。度达到93.1%。上述模型精度虽然较高，但是适用

的苹果叶部病害数据集大多背景单一，且多数数据

集是将病害叶片采摘之后经过专业拍摄，排除了光

收稿日期：2024-01-15照等自然因素影响。病害种类不全，模型鲁棒性不