kaiyun官方注册
您所在的位置: 首页> 模拟设计> 设计应用> 基于深度学习的桑叶病害识别方法研究
基于深度学习的桑叶病害识别方法研究
电子技术应用
叶晖1,项东晖2,曾松伟3
1.浙江农林大学 数学与计算机科学学院; 2.浙江易港通电子商务有限公司;3.浙江农林大学 光机电工程学院
摘要:为提高桑叶病害检测精度,实现将模型方便快速部署到移动端,针对自然环境下桑叶病害病斑小、背景复杂等问题,以YOLOv8为基线模型进行改进,提出了一种YOLOv8-Evo的桑叶病害识别算法。首先在Backbone模块中加入了可变形卷积模块从而更灵活地捕捉病害的细节和形状,其次在Neck模块中增加了CBAM(Convolutional Block Attention Module)注意力机制,发掘图像中的关键特征和区域,最后在18 849张桑叶病害数据集上进行验证,相较YOLOv8s模型,YOLOv8-Evo的识别精度提高2.4%,召回率提高1.5%,mAP50提高1%,mAP50-95提高0.7%,实验证明改进的YOLOv8-Evo模型为桑叶病害识别的自动化提供了理论依据与技术支持。
中图分类号:TP391.41 文献标志码:A DOI: 10.16157/j.issn.0258-7998.245509
中文引用格式:叶晖,项东晖,曾松伟. 基于深度学习的桑叶病害识别方法研究[J]. 电子技术应用,2025,51(3):70-76.
英文引用格式:Ye Hui,Xiang Donghui,Zeng Songwei. Research on mulberry leaf disease recognition method based on deep learning[J]. Application of Electronic Technique,2025,51(3):70-76.
Research on mulberry leaf disease recognition method based on deep learning
Ye Hui1,Xiang Donghui2,Zeng Songwei3
1.School of Mathematics and Computer Science,Zhejiang A&F University; 2.Zhejiang Yigangtong E-commerce Co.,Ltd.; 3.School of Optoelectromechanical Engineering, Zhejiang A&F University
Abstract:To improve the accuracy of mulberry leaf disease detection and enable convenient and rapid deployment of models on mobile devices, an improved version of the YOLOv8 model, named YOLOv8-Evo, is proposed to address issues such as small lesion spots and complex backgrounds in natural environments. The algorithm introduces a deformable convolution module within the Backbone to capture disease details and shapes more flexibly. Additionally, a Convolutional Block Attention Module (CBAM) is incorporated into the Neck to highlight key features and regions in the image. After validation on a dataset of 18 849 mulberry leaf disease images, the YOLOv8-Evo model demonstrates a 2.4% increase in precision, a 1.5% increase in recall rate, a 1% improvement in mAP50, and a 0.7% improvement in mAP50-95 compared to the YOLOv8s model. These results provide both theoretical support and technical backing for the automation of mulberry leaf disease identification.
Key words :mulberry leaf disease;YOLOv8;object detection;model improvement

引言

桑树的种植在我国有着悠久的历史和深厚的传统文化底蕴[1]。作为世界上最早种植桑树和养蚕的国家之一,蚕桑产业在中国的发展可以追溯到几千年前的古代。但桑树的生长和产量受到多种因素的影响,其中病害是最主要的危害因素之一。据农业农村部办公厅发布的《2023年“虫口夺粮”保丰收行动方案》[2],2022年全国桑树病虫害发生面积约为1.1亿亩次,同比增加15%。2022年全国因桑树病虫害致粮食损失约为140万吨,占桑叶总产的11.4%。因此,及时准确地识别和防治桑树病害,对于提高桑树和蚕业的生产效率和经济效益具有重要意义。传统的桑树病害识别方法主要依靠人工观察和判断,需要专业知识和经验,耗时耗力且容易出现误判和漏判[3-5]。随着计算机视觉和深度学习技术的发展,利用图像处理和机器学习方法进行桑树病害识别成为一种新的可能。

近年来,大规模检测模型在工业、农业等复杂场景应用中得到快速提升[6-8]。目标检测的算法模型在农业中被广泛应用,如赵德安[9]等人于2019年提出了改进的YOLOv3模型以识别复杂背景下的苹果果实,其实验识别准确率达97%,召回率为90%,相较于FasterRCNN的识别率高了5%。孙肖肖[10]等人于2019年提出使用大尺度识别替代YOLO的多尺度识别,在预处理阶段提出结合超滤特征以及OSTU算法对复杂背景下的茶叶嫩芽图像进行图像分割,识别率达 84.2%,召回率为 82%。Chen[11]等人在2022年提出了一种用于橡胶树病害检测的改进型YOLOv5模型,该模型使用了新的InvolutionBottleneck模块、SE模块和EIOU损失函数以提升模型性能,该模型在59个作物病害类别上达到了平均94.24%的识别准确率,每个样本的平均推理时间为1.563 ms,模型大小仅为2 MB。

目前,基于图像处理和机器学习方法的桑树病害识别已经有一些相关研究,但仍存在一些问题和挑战。首先,由于桑树病虫害种类多、形态复杂、分布不均匀等原因,导致采集到的图像数据量不足、质量不高、类别不平衡等问题,给模型训练和测试带来困难。其次,桑树病害目标体积可能过小,例如桑褐斑病中的褐斑点,同时图像背景可能过于杂乱。为了解决上述问题和挑战,本文提出了一种基于YOLOv8的桑树病虫害识别方法,通过引入可变形卷积和注意力机制以提高YOLOv8s模型应对复杂背景和小体积目标时的识别能力,改善对桑叶病害的识别能力,最终实现自然环境下的桑叶病害的准确检测,为桑叶病害识别的自动化、智能化提供理论依据。


本文详细内容请下载:

http://www.chinaaet.com/resource/share/2000006362


作者信息:

叶晖1,项东晖2,曾松伟3

(1.浙江农林大学 数学与计算机科学学院,浙江 杭州 311300;

2.浙江易港通电子商务有限公司,浙江 宁波 315200;

3.浙江农林大学 光机电工程学院,浙江 杭州 311300)


Magazine.Subscription.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map