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.
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）
