基于改進YOLOv8n的草莓葉片病害檢測方法

Strawberry leaf disease detection method based on improved YOLOv8n

XIA Shunxing， NI Ming， LUO Youlu， HE Yinghao， ZHAO Taotao（Collegeof InformationEngineering，SichuanAgricultural University，Ya'an625O14，China）

Abstract：Inordertoimprovethedetectionabilityof targetdetectionmodelsforstrawberryleaf diseasesinorchard environment，thisstudyusedtheYOLOv8nmodelasthebaseline model，introducedthedynamicconvolution module toreplacethethirdconvolution layerof the backbone network and partoftheC2fmoduleof theneck network，introduced the GSConv and Slim-neck module toreplacetheconvolution layerand partof the C2f moduleof the neck network，and introduced the content-aware reassemblyof features （CARAFE）operator to replacethe nearestneighbor interpolation method in upsampling.An improved YOLOv8n model named YOLOv8n-DGC was proposed to improve thedetection accuracy of strawberyleaf diseases while maintaining the lightweightofthe model.Theresults showed that the meanaverage precisionwhen the intersection over union（ IoU ）threshold was 0.50 （ mAP₅₀ ），the mean average precision when the IoU was between （20 0.50 and 0.95 （ mAP_50：95 ），precision and recall rate of the improved model YOLOv8n-DGC for strawberry leaf disease detection were 2.5percentage points，1.5percentage points，.6percentage pointsand1.6percentagepoints higher thanthose of the baseline model，respectively. The model size and parameter quantity increased by 3.2% and 3.3% ，respectively， while the number of floating point of operations decreased by 8.6% . Compared with models such as Faster R-CNN，SSD， YOLOv5s，and YOLOv7-tiny，the YOLOv8n-DGC model beter achieved a balance between detectionaccuracyand ffi

Keywords：strawberry；leaf diseases；object detection；YOLOv8n；dynamic convolution;GSConv；CARAFE

草莓屬薔薇科漿果類多年生草本植物，素有“水果皇后”的美稱。草莓果實顏色艷麗，芳香多汁，且富含糖類、氨基酸、維生素以及鈣、磷、鐵等多種營養(yǎng)物質(zhì)[1-2]，具有抗氧化、抗癌、抗炎等功能[3-4]。近年來，中國草莓種植面積均較大，產(chǎn)量也較高[5]。草莓栽培過程中，病害是導致草莓產(chǎn)量減少、品質(zhì)下降的重要原因之一，及時并準確識別病害類型對草莓安全生產(chǎn)、果農(nóng)效益提高具有重要意義。

近年來，隨著計算機技術(shù)和人工智能的發(fā)展，特別是深度學習技術(shù)的應用，作物病害檢測技術(shù)得到了顯著的提升。深度學習是一種基于人工神經(jīng)網(wǎng)絡的機器學習方法，具有強大的特征提取和模式識別能力[]通過對大量數(shù)據(jù)的學習，深度學習模型能夠自動提取圖像中的復雜特征，實現(xiàn)高效、準確的病害檢測。目前目標檢測領域的深度學習方法主要分為兩類：一類是以R-CNN[7]、FastR-CNN[8]、FasterR-CNN[9]為代表的兩階段檢測算法，該類算法分兩步完成，首先生成候選目標區(qū)域，然后對候選目標區(qū)域進行分類和定位：另一類是以YOLO系列算法[10-13] SSD 算法[14]為代表的單階段檢測算法，該類算法同時進行邊界框位置判斷和類別分類。相比較而言，單階段分類算法簡化了處理流程，因而具有更快的檢測速度。

由于YOLO算法在特征提取、識別實時性、泛化性等方面的優(yōu)勢，目前，YOLO算法在作物病蟲害識別及果實目標檢測等領域得到了廣泛應用。楊宇游等[15]在YOLOv5模型的主干網(wǎng)絡中引入BoTNet模塊，并用GIoU-NMS算法替換原來的非極大值抑制（NMS）算法，對YOLOv5模型進行優(yōu)化，改進后的模型對草莓病害的識別精確率和平均精度均值分別比原模型提升2.1個百分點和1.2個百分點。Li等[16]利用深度卷積和CSPNet結(jié)構(gòu)，將YOLOv4模型優(yōu)化為DAC-YOLOv4模型，并用其進行草莓葉片白粉病的檢測，既提高了檢測效果，又實現(xiàn)了模型的輕量化。公徐路等[17]對YOLOv5模型進行一系列的優(yōu)化，發(fā)現(xiàn)改進后的模型對蘋果葉片小目標病害檢測的平均精度均值和準確率分別比原模型提高0.8個百分點和3.0個百分點，而參數(shù)量和浮點計算量分別減少6.17MB和 13.8G 。時雷等[18]利用全維動態(tài)卷積（ODConv）替換YOLOv8主干網(wǎng)絡中的標準卷積（Conv），利用EfficientRepGFPN特征融合網(wǎng)絡改進原來的Neck網(wǎng)絡，并采用EIoU損失函數(shù)替換CIoU損失函數(shù)，提高了YOLOv8s模型對小麥小穗赤霉病識別的準確率和效率。針對無人機采集的茶葉枯病圖像中病斑差異大、病斑和背景相似性高等問題，胡根生等[]在YOLOv5s模型的基礎上，使用輕量型的M-Backbone作為骨干網(wǎng)絡設計了一個輕量型網(wǎng)絡LiTLBNet，其對茶葉枯病病斑的檢測精度與原模型接近，但模型大小僅為原YOLOv5s模型的 13.9% 。羅友璐等[20以YOLOv8模型為基準，利用空間深度轉(zhuǎn)換卷積替換原有的卷積模塊，引入多尺度空洞注意力機制，同時參考重參數(shù)化卷積神經(jīng)網(wǎng)絡架構(gòu)對檢測頭進行了改進，提出了一種蘋果葉片病害檢測的改進算法，改進后YOLOv8n模型對蘋果葉片病害檢測的平均精度均值 （mAP₅₀ ）和準確率分別比原模型提高2.7個百分點和0.9個百分點。賀英豪等[2I]以YOLOv5模型為基準，利用Fo-cus-Maxpool模塊替換主干網(wǎng)絡中的下采樣卷積，利用focalloss和交叉熵函數(shù)的加權(quán)損失作為模型的分類損失，提高了模型對高遮擋果園環(huán)境背景下季果實的識別精度。

針對草莓葉片病害檢測算法研究較少的現(xiàn)狀，本研究以性能穩(wěn)定、識別精確度和效率高的YOLOv8n模型為基準，結(jié)合草莓葉片病害特征，進一步優(yōu)化相關模塊，以提高模型對草莓葉片病害檢測精度，降低模型運算量，實現(xiàn)快速、準確的草莓葉片病害檢測，為果農(nóng)的精準管理提供依據(jù)。

1材料與方法

1.1 數(shù)據(jù)集的構(gòu)建

本研究以草莓生產(chǎn)中常見的3種葉片病害葉焦病、葉斑病和白粉病為檢測目標（圖1）。數(shù)據(jù)集來源為四川雅安草莓采摘園實地拍攝圖片、Kaggle平臺公開數(shù)據(jù)集 Strawberrydisease data（http：//www.kaggle.com）和百度圖片，共892張。為增強研究結(jié)果的可信度，數(shù)據(jù)集Strawberrydiseasedata及百度圖片均選擇自然果園環(huán)境下的草莓植株。為了防止數(shù)據(jù)集過少導致的訓練結(jié)果過擬合，保持不同類型病斑（標簽）數(shù)量相對均衡，將篩選得到的圖片進行添加隨機噪聲、亮度調(diào)節(jié)、旋轉(zhuǎn)、裁剪、平移、鏡像等數(shù)據(jù)增強處理，最終得到1371張圖片，按照 8：2 的比例劃分為訓練集（1097張）和驗證集（274張），葉焦病、葉斑病和白粉病標簽數(shù)量分別為1907個、3290個和1762個。

1.2 YOLOv8n檢測模型及其改進

YOLOv8n模型具有參數(shù)量少、檢測速度快、綜合性能良好等特點，因此，本研究選擇YOLOv8n作為草莓葉片病害檢測的基準模型。但考慮到草莓葉片病害病斑較小、不同病害病斑尺寸差異大等特征，研究中對 ΥOLOv8n 模型進行了適當改進。主要改進體現(xiàn)在以下幾個方面：一是將YOLOv8n模型主干網(wǎng)絡（Backbone）和頸部網(wǎng)絡（Neck）的部分標準卷積替換為動態(tài)卷積，提高模型的特征提取能力；二是引人輕量化卷積GSConv及Slim-neck設計范式重新設計Neck網(wǎng)絡，在實現(xiàn)模型輕量化的同時，提升模型推理速度和特征融合能力；三是將最近鄰插值上采樣算子替換為CARAFE算子，減少草莓病害小目標導致的特征圖語義信息丟失，提高模型的檢測精度。YOLOv8n原模型和改進后的模型YOLOv8n-DGC的結(jié)構(gòu)如圖2所示。

Backbone：主干網(wǎng)絡； Neck ：頸部網(wǎng)絡； ：頭部網(wǎng)絡;Conv：卷積;C2f：特征融合模塊;DynamicConv：動態(tài)卷積;SPPF：快速空間金字塔池化；C2f_Dynamiconv：引人動態(tài)卷積的特征融合模塊;Concat：連接操作;Upsample：最近鄰上采樣;CARAFE：內(nèi)容感知特征重組上采樣算子；GSConv GSConv 卷積;VoV-GSCSP：跨階段部分網(wǎng)絡結(jié)構(gòu);Detect：檢測頭。

1.2.1 動態(tài)卷積（Dynamic convolution）模塊在深度學習領域，標準卷積層是卷積神經(jīng)網(wǎng)絡（Convolu-tionalneuralnetwork，CNN）的基本構(gòu)建塊之一。標準卷積層通過固定的卷積核權(quán)重對輸入特征圖進行卷積運算，以提取特征。標準卷積層的操作是靜態(tài)的，即對于所有輸入數(shù)據(jù)，卷積核權(quán)重保持不變（圖3a）。盡管標準卷積層在許多任務中表現(xiàn)出色，但在處理具有顯著變化特征的輸人時，其靜態(tài)特性可能會限制模型的性能。因此針對草莓葉片病害染病程度差異較大、特征不明顯、背景復雜等問題，本研究引人了動態(tài)卷積[22]。動態(tài)卷積能根據(jù)輸人特征動態(tài)調(diào)整權(quán)重。這種動態(tài)特性使卷積層能夠更好地捕捉不同輸入的特征。

卷積權(quán)重張量（Convolutionalweighttensor）是卷積神經(jīng)網(wǎng)絡中用于執(zhí)行卷積操作的參數(shù)集合，其定義了如何通過滑動窗口的方式在輸入特征圖上進行局部加權(quán)求和，以生成輸出特征圖。動態(tài)卷積由多專家機制（Mixture of experts，MoE）實現(xiàn)（圖3b）。每個專家都有一個獨立的卷積權(quán)重張量，即獨立的卷積運算。多專家機制能增強模型的特征提取能力，其定義為：

Y=X×W^′

式中， W^′ 表示通過動態(tài)卷積機制生成的卷積權(quán)重張量； X 表示輸入特征圖； Y 表示輸出特征圖； W_i 表示第 i 個卷積權(quán)重張量； α_i 代表對應的動態(tài)系數(shù)，即專家的權(quán)重； M 為專家數(shù)量； × 表示卷積運算，即得到卷積權(quán)重張量與動態(tài)系數(shù)乘積之和后再與輸人特征進行卷積[23]

對于每個輸入特征，路由網(wǎng)絡（Routingnet-work）會計算出一組路由權(quán)重（Routingweights），即動態(tài)系數(shù)（ α_?α_?α_? ，這組系數(shù)與專家數(shù)量相同，每個系數(shù)對應一個專家。然后，這些動態(tài)系數(shù)被用來對專家的卷積權(quán)重張量進行加權(quán)，從而生成一個最終的、與輸人相關的卷積層。動態(tài)系數(shù)的生成過程如式（2）所示。對于輸入的特征圖 X ，使用全局平均池化將信息融合成向量，然后使用具有softmax激活函數(shù)的多層感知器（MLP）模塊動態(tài)生成動態(tài)系數(shù)：

通過將動態(tài)卷積替換掉原Backbone網(wǎng)絡中的標準卷積操作，加強模型對不同檢測目標的特征提取能力。

在動態(tài)卷積的基礎上，進一步設計了Bottleneck_DynamicConv和C2f_DynamicConv結(jié)構(gòu)，如圖4所示。Neck網(wǎng)絡中部分C2f替換為C2f_DynamicConv，進一步提升模型檢測性能。

1.2.2基于輕量級卷積GSConv的Neck網(wǎng)絡改進為了平衡模型的計算復雜度，引入基于深度可分離卷積（Depthwise separable convolution，DSConv）[24]改進的GSConv結(jié)構(gòu)及Slim-neck范式[25]，其中Slim-neck設計范式的核心思想是利用模塊化、可組合的結(jié)構(gòu)，靈活地設計和替換Neck網(wǎng)絡中的不同部分，從而在成本和性能之間找到最佳平衡。

深度可分離卷積可以減少參數(shù)量和浮點運算，然而，深度可分離卷積的通道信息是彼此分離的，特征圖的空間壓縮和通道拓展將造成語義特征的丟失，尤其是在檢測目標較小、模糊不清的情況下，以致模型特征提取能力大幅度下降，這將對目標檢測的精度造成影響[26]。為更好地平衡計算復雜度和通道傳輸信息保留，研究中引入GSConv結(jié)構(gòu)，如圖5所示。GSConv將標準卷積和深度可分離卷積生成的信息進行Shuffle[27]操作，彼此充分混合和滲透，在不同的通道上均勻地交換局部特征信息。通過這個方法，既能減少模型參數(shù)和浮點運算量，又能有效利用標準卷積的通道密集優(yōu)勢，盡可能地保留小檢測目標的語義信息。

input：輸人;output：輸出; C₁ channels ： C₁ 通道數(shù)； C₂ channels ： C₂ 通道數(shù); C₂/2 channels： C₂/2 通道數(shù); Conv ：卷積； DSConv ：深度可分離卷積；Concat：連接操作；shuffle：混合； GSConv GSConv 卷積。

基于GSConv，引人GSbottleneck和VoV-GSCSP模塊，并根據(jù)Slim-neck范式，靈活使用GSConv和VoV-GSCSP替換原Neck網(wǎng)絡中的Conv和C2f結(jié)構(gòu)，以達到最優(yōu)性能。GSbottleneck和VoV-GSCSP的結(jié)構(gòu)如圖6所示。

input：輸人;output：輸出； Conv ：卷積； GSConv GSConv 卷積；Con-cat：連接操作;GSbottleneck：GS瓶頸網(wǎng)絡； VoV -GSCSP：跨階段部分網(wǎng)絡結(jié)構(gòu)。

由于大量使用GSConv會顯著增加網(wǎng)絡層數(shù)，導致推理時間顯著增加，因此根據(jù)Slim-neck設計思路，選擇只在Neck部分使用GSConv和VoV-GSCSP替換原有的Conv和部分C2f模塊，如圖7所示。1.2.3CARAFE上采樣算子 ΥOLOv8n 模型默認使用最近鄰插值法實現(xiàn)特征上采樣操作，這種方法實現(xiàn)簡單，計算速度快，但由于插值結(jié)果缺乏連續(xù)性，可能會造成圖像灰度上的不連續(xù)，在灰度變化大的地方可能會出現(xiàn)明顯的鋸齒狀，尤其是像草莓白粉病這類邊緣不明顯的病害，插值后的圖像會使得原本模糊的邊緣仍然難以區(qū)分，嚴重影響病害特征信息的提取。因此，引入內(nèi)容感知特征重組上采樣算子（CARAFE）[28]代替原有的最近鄰插值上采樣算子。

P3：P3輸出層；P4：P4輸出層;P5：P5輸出層； Neck ：頸部網(wǎng)絡； Head ：頭部網(wǎng)絡;C2f_DynamicConv：引入動態(tài)卷積的特征融合模塊;Concat：連接操作;CARAFE：內(nèi)容感知特征重組上采樣算子； GSConv GSConv 卷積； VoV -GSCSP：跨階段部分網(wǎng)絡結(jié)構(gòu)；Detect：檢測頭;slim-neck：slim-neck 模塊。

CARAFE上采樣算子實現(xiàn)過程如圖8所示：假設給定一個尺寸為 C×H×W 的特征圖 X ，CARAFE將 X 進行通道壓縮，得到尺寸為 C×σH×σW（σ 為上采樣倍率）新的特征圖 X^′ ，通過核預測模塊，為 X^′ 的每個目標位置生成一個重組卷積核，然后利用這個卷積核對輸人特征 X 進行重組，從而生成上采樣后的特征圖。

由于重組過程考慮了更相關的局部信息，可以更有效地捕捉和整合特征圖中的語義信息，從而提升特征圖的語義表達能力。引入CARAFE算子，可以使模型在處理復雜場景草莓葉片病害時，能夠更準確地捕捉和表達圖像中的重要信息，提高模型的 精度。

X ：輸人特征圖； X^′ ：重組特征圖； H ：特征圖高； W ：特征圖寬； c ：通道數(shù)； C_m ：壓縮后的通道數(shù)； σ ：上采樣倍率； K_up ：重組核大??； ：重組卷積核 σ_;xl ：輸入特征圖位置； N ：正方形區(qū)域。

為直觀展示CARAFE上采樣方法相較于傳統(tǒng)上采樣技術(shù)的優(yōu)勢，本研究選取深度神經(jīng)網(wǎng)絡中生成的一張?zhí)卣鲌D，首先進行4倍的下采樣處理，然后再進行2倍最近鄰插值上采樣與2倍CARAFE上采樣處理，結(jié)果如圖9所示。從圖中可以看出，最近鄰插值上采樣結(jié)果在目標邊緣處出現(xiàn)了較為明顯的鋸齒狀偽影，而CARAFE上采樣結(jié)果在目標邊緣部分呈現(xiàn)出更加細膩和自然的過渡，這說明CARAFE上采樣能較好保留圖像細節(jié)和邊緣信息。

1.3模型檢測性能比較

首先比較了Backbone網(wǎng)絡不同位置Conv替換為DynamicConv、Neck網(wǎng)絡中引人C2f_DynamicConv模塊后模型對草莓葉片病害的檢測性能；然后分析了YOLOv8n原模型和改進模型YOLOv8n-DGC對草莓葉片病害檢測性能差異，并開展消融試驗。消融試驗方案如表1所示。最后，進一步比較了目前流行的目標識別模型FasterR-CNN、SSD、YOLOv5s、YOLOv7-tiny、YOLOv8s、YOLOv10n 與 YOLOv8n-DGC對草莓葉片病害的檢測性能差異。

1.4模型訓練與測試

1.4.1試驗平臺及參數(shù)設置本研究所使用的操作系統(tǒng)為Windows10，中央處理器（CPU）型號為In-tel Corei9-10900K 3.70GHz ，GPU型號為NVIDIAQuadroRTX5000（16G顯存）。所用語言為Py-thon3.9.7，深度學習框架為Pytorch2.0.1，并行計算平臺為CUDA11.7。試驗中，圖像分辨率設置為640×640 ，迭代次數(shù)500，批量大小8，采用隨機梯度下降算法（SGD）優(yōu)化器，動量參數(shù)0.937，權(quán)重衰減速率 .000 5 。

1.4.2模型評價指標選取平均精度均值（Mean av-erageprecision， mAP ）、精確率（Precision， P ）、召回率（Recall， R ）、模型大小、參數(shù)量、浮點運算次數(shù)（Float-ingpoint operations， FLOPs ）作為評估模型性能的指標。平均精度均值、精確率和召回率公式如下：

a;原始圖像;b：深度神經(jīng)網(wǎng)絡生成的特征圖;c：特征圖進行4倍下采樣后得到特征圖;d：利用最近鄰插值方法進行2倍上采樣后的結(jié)果;e：利用CARAFE方法進行2倍上采樣后的結(jié)果。

圖9最近鄰插值上采樣和內(nèi)容感知特征重組上采樣（CARAFE）效果對比

Fig.9Comparison ofefect between nearest nighor interpolationupsamplingandcontent-awarereassemblyoffeatures （CARAFE）upsampling

式中， AP_i 為第 i 個類別的平均精度，即精確率與召回率（ ?PRΦ_? 曲線中曲線與坐標軸所圍成的圖形面積。 TP 為正確預測的真陽性樣本； FP 為錯誤預測的假陽性樣本； FN 為漏檢的假陰性樣本； n 為分類類別數(shù)。

2 結(jié)果與分析

2.1模型Backbone網(wǎng)絡不同位置Conv替換為DynamicConv對檢測性能的影響

基準模型Backbone網(wǎng)絡不同位置Conv替換為DynamicConv對草莓葉片病害檢測性能的影響如表2所示。從表中可以看出，主干網(wǎng)絡（Backbone）中第3個標準卷積（Conv）替換為動態(tài)卷積的效果最好， mAP₅₀，mAP₅₀：95 、精確率和召回率分別為88.2%.58.2%.87.0% 和 83.5% ，且模型大小、參數(shù)量和浮點運算量均最低。其原因可能在于，深度神經(jīng)網(wǎng)絡中，靠近輸人層的卷積層主要負責提取圖像中的邊緣、紋理等低級特征，而靠近輸出層的卷積層則更多地學習高級語義特征，負責更為復雜、抽象的圖像特征提取，且主要表現(xiàn)為語義信息[29]。第3個卷積層處于Backbone的中間部分，既能夠捕捉較為細節(jié)的局部特征，又能夠?qū)W習一定的全局特征，將該位置的Conv替換為DynamicConv，能充分發(fā)揮動態(tài)卷積的自適應調(diào)整能力，使得模型在局部特征和全局信息之間取得更好的平衡，從而提升檢測性能。

2.2 C2f_DynamicConv在Neck中的效果

C2f是YOLOv8中用于提取多層次特征的基礎模塊。該模塊通過分裂特征圖和跨層連接，有效地提高了網(wǎng)絡的表達能力，促進了梯度信息流動。將Neck 網(wǎng)絡中的部分C2f 替換為 C2f_DynamicConv，能在不同的層級和尺度上選擇更合適的卷積核，使得特征能夠在多個層次上得到優(yōu)化，增強了多尺度特征的融合能力，這有助于提高模型對不同尺度物體的檢測能力，進一步提升模型的目標檢測性能。將Neck網(wǎng)絡中的部分C2f替換為C2f_DynamicConv后，模型對草莓葉片病害的檢測性能的影響如表3所示。從表中可以看出，替換后，模型對草莓葉片病害檢測的 mAP₅₀?mAP_50：95 、精確率分別較替換前增加1.1個百分點、0.7個百分點和2.3個百分點，模型大小和參數(shù)量略有增加，但模型浮點運算量下降3.9% 。

2.3 消融試驗

引入不同替換模塊對模型檢測性能影響的消融試驗結(jié)果如表4所示。從表中可以看出，采用Dy-namicConv替換第3個Conv模塊和C2f_DynamicCo-nv替換Neck部分C2f的方案1后，模型對草莓葉片病害檢測的 mAP_{50?mAP50：95} 、召回率分別比基準模型提高0.8個百分點、0.5個百分點和1.3個百分點，模型大小和參數(shù)量分別增加 6.3% 和 6.7% ，浮點運算量減少 6.2% 。單獨利用GSConv卷積和Slim-neck模塊的方案2后，模型對草莓葉片病害檢測的 、召回率分別比基準模型提高0.9個百分點、0.5個百分點和1.4個百分點，模型大小、參數(shù)量及浮點運算量分別減少 4.8%.6.7% 和6.2% ，這表明GSConv模塊對模型精度有一定的促進作用，同時也帶來檢測效率的提高。單獨利用CARAFE算子進行上采樣的方案3后，模型對草莓葉片病害檢測的 mAP₅₀?mAP_50：95 、召回率分別比基準模型提高1.1個百分點、0.8個百分點和0.3個百分點，模型大小、參數(shù)量及浮點運算量分別增加4.8%.3.3% 和 3.7% ，說明CARAFE算子的使用能減少草莓葉片病害細小病斑的特征信息丟失，確保特征信息的完整性，更有效地捕捉和整合特征圖中的語義信息。同時利用DynamicConv模塊和GSConv模塊進行替換的方案4后，模型對草莓葉片病害檢測的 mAP_{50?mAP50：95} 、精確率分別比基準模型提高0.5個百分點、0.8個百分點和1.1個百分點，模型大小和參數(shù)量無變化，浮點運算量減少11.1% 。同時利用CARAFE與DynamicConv模塊替代后（方案5），模型對草莓葉片病害檢測的 mAP₅₀ 、mAP_50：95 、召回率分別比基準模型提高1.5個百分點 個百分點和1.0個百分點，模型大小和參數(shù)量分別增加 11.1% 和 10.0% ，而浮點運算量減少2.5% 。同時利用CARAFE與GSConv模塊替代后（方案6），模型對草莓葉片病害檢測的 mAP₅₀ 、mAP_50：95 、召回率分別比基準模型提高0.2個百分點 個百分點和1.0個百分點，模型大小、參數(shù)量和浮點運算量分別減少增加 1.6%.3.3% 和2.5% 。同時利用3個替換模塊的方案7，模型對草莓葉片病害檢測的 mAP₅₀?mAP_50：95 、精確率和召回率分別比基準模型提高2.5個百分點、1.5個百分點、1.6個百分點和1.6個百分點，模型大小和參數(shù)量分別增加 3.2% 和 3.3% ，而浮點運算量減少8.6% ，效果最好。這說明DynamicConv的使用能增強卷積層對局部和全局特征的提取能力，CARAFE的使用能確保上采樣過程中細節(jié)特征的完整性，模型在特征提取和融合上表現(xiàn)出更強的適應性和準確性，提高了模型的魯棒性，特別適合背景干擾較多、形態(tài)復雜的葉片病害檢測。

2.4YOLOv8n模型與改進模型YOLOv8n-DGC 的檢測效果對比

改進模型YOLOv8n-DGC和原模型YOLOv8n對草莓葉片病害檢測效果如圖10所示。從圖中可以看出，改進后的模型能降低草莓葉片病害的漏檢率與錯檢率，且病害識別置信度也有所提高。這說明引人動態(tài)卷積能加強模型對復雜背景和病害樣本中草莓葉片病害的特征提取和學習能力；引入GSConv能降低模型的參數(shù)量，提高模型的特征融合能力；利用CARAFE算子替換最近鄰插值法進行上采樣，使得草莓葉片病害的特征信息更易被理解和表達，從而使改進后的模型識別效果優(yōu)于原模型。圖11為不同迭代次數(shù)下，YOLOv8nDGC模型和 $＼Upsilon _ { ? } 0 ＼mathrm { L O v } 8 ＼mathrm { n }$ 模型對草莓葉片病害檢測的平均精度均值變化特征。從圖中可以看出，經(jīng)過幾十次訓練迭代后，2個模型檢測的 mAP 開始產(chǎn)生差距；迭代次數(shù)達500次時，2個模型都趨于穩(wěn)定，且差距明顯。

2.5改進YOLOv8n與其他模型的草莓葉片病害檢測性能比較

改進YOLOv8n模型（YOLOv8n-DGC）與其他模型Faster R-CNN、SSD、 ΥOLOv5s 、YOLOv7-tiny、YOLOv8s、YOLOv10n等對草莓葉片病害檢測性能的比較結(jié)果如表5所示。從表中可以看出，F(xiàn)asterR-CNN和SSD模型對草莓葉片病害識別的平均精度均值（ mAP₅₀ ）分別僅為 59.8% 和 58.2% ，且參數(shù)量和浮點運算量巨大，不能滿足草莓葉片病害檢測的精度要求。YOLOv5s模型對的草莓葉片病害識別的平均精度均值（ .mAP₅₀ ）較高，達 87.7% ，但參數(shù)量和浮點運算量同樣較大，分別為YOLOv8n-DGC模型的2.26倍、2.14 倍。同樣，YOLOv7-tiny、YOLOv8s模型的參數(shù)量和浮點運算量分別是YOLOv8n-DGC模型的1.94倍、3.58倍和1.76倍、3.84倍，且檢測的平均精度均值（ （mAP₅₀ ）分別比 ΥOLOv8n -DGC模型低4.4個百分點和1.3個百分點。 YOLOv10n 模型的參數(shù)量低于YOLOv8n-DGC模型，但其檢測的精度均值（ mAP₅₀ ）亦低3.5個百分點。上述結(jié)果說明，改進后的YOLOv8n-DGC模型綜合性能較優(yōu)，即本研究提出的改進算法在草莓葉片病害檢測中是有效的。

檢測框后的數(shù)字為置信度。

mAP₅₀?mAP₅₀：95 見表3注。

3結(jié)論

本研究以YOLOv8n模型為基準模型，利用Dy-namicConv替換原模型Backbone網(wǎng)絡的第3個標準卷積（Conv），利用C2f_DynamicConv模塊替換Neck網(wǎng)絡的部分C2f模塊，根據(jù)Slim-neck 范式，引入GSConv和VoV-GSCSP重新設計Neck網(wǎng)絡，增強Neck網(wǎng)絡的特征表達能力，并使用CARAFE算子替換最近鄰插值法進行上采樣，擴大上采樣過程的感受野，構(gòu)建了改進的YOLOv8n模型——YOLOv8n-DGC，并用于果園環(huán)境下草莓葉片病害的檢測。改進后的模型YOLOv8n-DGC對草莓葉片病害檢測的$m A P _ { 5 0 } ＼ 、 m A P _ { 5 0 ： 9 5 }$ 、精確率和召回率分別比基準模型提高2.5個百分點、1.5個百分點、1.6個百分點和1.6個百分點，模型大小和參數(shù)量分別增加 3.2% 和3.3% ，而浮點運算量減少 8.6% ，效果較好。與Fas-ter R-CNN、SSD、 Υ_OLOv5s 、YOLOv7-tiny等模型相比，YOLOv8n-DGC模型更好地實現(xiàn)檢測精度與效率的平衡，更適合布置到輕量化的檢測設備或終端中。目前模型主要用于病害類型的檢測，而對病害感染程度的評估能力仍不足，未來的研究中可以通過引入多任務學習或其他相關方法，進一步豐富模型的功能，實現(xiàn)病害類型及感染程度的檢測，為果農(nóng)提供更為準確的病害診斷和管理建議。此外，還可以進一步豐富數(shù)據(jù)集，提高模型的可信度，為果園的智慧化生產(chǎn)提供精準的決策支持。

參考文獻：

[1］曹丹，張明，王競，等.土壤改良劑對連作草莓生長及品質(zhì)的影響[J].現(xiàn)代農(nóng)業(yè)科技，2024（3）：52-55.

[2] 潘少香，劉雪梅，鄭曉冬，等.基于質(zhì)構(gòu)分析的鮮食草莓質(zhì)地感官品質(zhì)綜合評價[J].食品科技，2023，48（8）：37-43.

[3] 唐歆玥，曹葉婷，鄧明益，等.檸檬醛對草莓貯藏期間品質(zhì)和抗氧化能力的影響[J].食品安全質(zhì)量檢測學報，2024，15（2）：131-140.

[4] 楊海艷，王洪玲，鐘國躍，等.草莓屬植物資源分布、化學成分、藥理活性研究進展[J].中成藥，2022，44（2）：510-518.

[5］聯(lián)合國糧食及農(nóng)業(yè)組織（FAO）.糧農(nóng)組織統(tǒng)計數(shù)據(jù)庫—糧食和農(nóng)業(yè)數(shù)據(jù)［DB/OL].［2024-10-01].http：//www.fao.org/faostat/zh/#Data/QCL.

[6] 劉玉娟，劉顏達，閆振，等.注意力機制的混合卷積高光譜圖像分類方法[J].光譜學與光譜分析，2024，44（10）：2916-2922.

[7] GIRSHICKR，DONAHUEJ，DARRELLT，etal.Richfeaturehierarchies for accurate object detection and semantic segmentationternRecognition.Columbus，OH，USA：IEEE，2014：580-587.

[8]GIRSHICK R. Fast R-CNN[C]//IEEE. 2015 IEEE InternationalConference on Computer Vision（ICCV）. Santiago，Chile：IEEE，2015：1440-1448.

[9]REN S Q，HE K M，GIRSHICK R，et al. Faster R-CNN：towardsreal-time object detection with region proposal networks[J]. IEEETransactions on Pattern Analysis and Machine Inteligence，2017，39（6）：1137-1149.

[10]REDMON J，DIVVALA S，GIRSHICK R，etal. You only lookonce：unified，real-time object detection[C]//IEEE.2016 IEEEConference on Computer Vision and Pattrn Recognition.Las Ve-gas，NV，USA：IEEE，2016：779-788.

[11]REDMON J，F(xiàn)ARHADI A.YOLO9000： better，faster，stronger[C]//IEEE：2017 IEEE Conference on Computer Vision and Pat-ternRecognition.Honolulu，HI，USA：IEEE，2017：6517-6525.

[12]REDMON J，F(xiàn)ARHADI A. YOLOv3：an incremental improvement[EB/OL].（2018-04-08）.htps：//arxiv.org/abs/1804.02767v1.

[13]BOCHKOVSKIY A，WANG C Y，LIAO H M.YOLOv4：optimalspeed and accuracy of object detection[EB/OL].（2020-04-23）.https：//arxiv.org/abs/2004.10934v1.

[14]LIUW，ANGUELOV D，ERHAND，et al.SSD：single shotMultiBox detector[M]//ECCV.ComputerVision-ECCV 2016.Cham：Springer International Publishing，2016：21-37.

[15］楊宇游，潘文林.基于改進YOLOv5的草莓病害檢測[J].云南民族大學學報（自然科學版），2024，33（5）：624-629.

[16]LI Y，WANG JC，WU HR，et al. Detection of powdery mildewon strawberry leaves based on DAC-YOLOv4 model[J]. Computersand Electronics in Agriculture，2022，202：107418.

[17］公徐路，張淑娟.基于改進YOLOv5s的蘋果葉片小目標病害輕量化檢測方法[J].農(nóng)業(yè)工程學報，2023，39（19）：175-184.

[18］時雷，楊程凱，雷鏡楷，等.基于改進YOLOv8s的小麥小穗赤霉病檢測研究[J].農(nóng)業(yè)機械學報，2024，55（7）：280-289.

[19］胡根生，謝一帆，鮑文霞，等.基于輕量型網(wǎng)絡的無人機遙感圖像中茶葉枯病檢測方法[J].農(nóng)業(yè)機械學報，2024，55（4）：165-175.

[20］羅友璐，潘勇浩，夏順興，等.基于改進YOLOv8的蘋果葉病害輕量化檢測算法[J].智慧農(nóng)業(yè)（中英文），2024，6（5）：128-138.

[21］賀英豪，唐德釗，倪銘，等.基于改進YOLOv5對果園環(huán)境中李的識別[J].華中農(nóng)業(yè)大學學報，2024，43（5）：31-40.

[22]HANK，WANGYH，GUO JY，et al. ParameterNet：parametersare all you need for large-scale visual pretraining of mobile net-works[C]//IEEE.2024 IEEE/CVF Conference on Computer Vi-sion and Pattern Recognition.Seattle，WA，USA：IEEE，2024：15751-15761.

[23］涂智榮，凌海英，李幗，等.基于改進YOLOv7-Tiny的輕量化百香果檢測方法[J].廣西師范大學學報（自然科學版），2024，42（5） ：79-90.

[24]CHOLLET F. Xception;deep learning with depthwise separableconvolutions[C]//IEEE：2O17 IEEE Conference on Computer Vi-sionandPattern Recognition.Honolulu，HI，USA：IEEE，2017：1800-1807.

[25]LIHL，LIJ，WEIHB，etal.Slim-neckbyGSConv：alight-weight-design forreal-timedetector architectures[J].Journal ofReal-Time Image Processing，2024，21（3）：62.

[26]張佳承，韋錦，陳義時.改進YOLOv8的實時輕量化魯棒綠籬檢測算法[J/OL].計算機工程［2024-10-01].https：//doi.org/10.19678/j.issn.1000-3428.0069524.

[27]ZHANGXY，ZHOUXY，LINMX，et al.ShuffleNet：an ex-tremelyeficientconvolutional neural network for mobile devices[C]//IEEE.2O18 IEEE/CVF Conference on Computer VisionandPatternRecognition.SaltLakeCity，UT，USA：IEEE，2018：6848-6856.

[28]WANGJQ，CHENK，XUR，etal.CARAFE：content-awareRe-AssemblyofFEatures[C]//IEEE.2O19IEEE/CVFInternationalConference on Computer Vision.Seoul，Korea（South）：IEEE，2019：3007-3016.

[29］張順，龔怡宏，王進軍.深度卷積神經(jīng)網(wǎng)絡的發(fā)展及其在計算機視覺領域的應用[J].計算機學報，2019，42（3）：453-482.

（責任編輯：石春林）