基于改進(jìn)YOLOv8模型的玉米葉斑病快速識(shí)別方法

關(guān)鍵詞：玉米；葉斑病；改進(jìn)；YOLOv8模型；快速識(shí)別

中圖分類號(hào)：S126；TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2025）05-0160-07

DOI：10.14088/j.cnki.issn0439-8114.2025.05.025 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：□

A rapid identification method for maize leaf spot disease based on the improved YOLOv8 model

ZHANGLu，WUXue-lian （Economics and Management School，Yangtze University，Jingzhou ，Hubei，China）

Abstract：Toachieverapididentificationofmaizeleafspotdisease，thedetectionperformanceoftheimprovedYOLOv8modelwasoptimizedbyintegratingtheGlobalAtentionModule（GAM），Slim-Necklightweightmodule，andInner-CIoUlossfunction.Compared with the original YOLOv8 model，the improved YOLOv8 model（GAM + Slim-Neck+Inner-CIoU）showed increases of 4.15% in Precision， 5.51% in Recall， 3.91% in mAP @ 0.5，and 11.35% in mAP @[0.5： 0.95]，while the number of parameters and detection time decreased by10.39% and 3.42% ，respectively. The improved YOLOv8 model outperformed other models（YOLOv3，YOLO v5 ，YOLO v6 ，and Faster R-CNN） in Precision，Recall，mAP @ 0.5，and mAP ，while also demonstrating significant advantagesinparameterquantitynddetectiontime，combining higheficiencywithlightweightcharacteristics.TheimprovedYOLOv8model eficientlycaurediticaliforation，fullyitegatedultdimesioalatures，ndratioallloatedomputatioalrouces，thereby enhancing recognition accuracy.

Key words：maize;leaf spot disease;improvement；YOLOv8 model; rapid identification

隨著農(nóng)業(yè)生產(chǎn)規(guī)模的擴(kuò)大和氣候變化的影響，玉米葉斑病已成為全球玉米生產(chǎn)中的主要病害。傳統(tǒng)的人工檢測(cè)方法依賴于農(nóng)民的經(jīng)驗(yàn)或?qū)＜业默F(xiàn)場(chǎng)指導(dǎo)，存在效率低、成本高、主觀性強(qiáng)等問(wèn)題。

為了解決這些問(wèn)題，研究人員將機(jī)器視覺(jué)技術(shù)應(yīng)用于玉米病害識(shí)別領(lǐng)域，通過(guò)提取病害特征實(shí)現(xiàn)快速高效的診斷。在國(guó)際上，機(jī)器視覺(jué)技術(shù)被廣泛應(yīng)用于農(nóng)業(yè)病害識(shí)別。趙玉霞1利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)玉米葉部病害進(jìn)行識(shí)別診斷，識(shí)別準(zhǔn)確率超過(guò)90% 。樊湘鵬等2通過(guò)改進(jìn)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（FasterR-CNN）在復(fù)雜田間環(huán)境中實(shí)現(xiàn)了高達(dá)97.23% 的識(shí)別準(zhǔn)確率。這些研究表明，機(jī)器視覺(jué)技術(shù)在玉米病害識(shí)別中具有顯著優(yōu)勢(shì)。慕君林等3和邊柯橙等4積極探索機(jī)器視覺(jué)和深度學(xué)習(xí)技術(shù)在玉來(lái)病害識(shí)別中的應(yīng)用。深度學(xué)習(xí)技術(shù)的引入為農(nóng)業(yè)病害識(shí)別帶來(lái)了新的思路和方法。卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過(guò)其層次化特征學(xué)習(xí)機(jī)制，自動(dòng)提取圖像的深層語(yǔ)義特征，展現(xiàn)出強(qiáng)大的適應(yīng)性和高準(zhǔn)確率。然而，在復(fù)雜的野外環(huán)境中，這些模型的泛化能力和識(shí)別精度仍然存在一定的局限性[5]。目前，大多數(shù)用于檢測(cè)玉米葉斑病的深度學(xué)習(xí)模型更注重準(zhǔn)確性，但檢測(cè)時(shí)間較長(zhǎng)，無(wú)法實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。此外，這些模型大多在實(shí)驗(yàn)室環(huán)境中開(kāi)展測(cè)試，無(wú)法有效模擬真實(shí)現(xiàn)場(chǎng)條件，從而限制了其在生產(chǎn)中的實(shí)際應(yīng)用。

針對(duì)玉米葉斑病識(shí)別精度和效率較低的問(wèn)題，本研究提出基于YOLOv8的增強(qiáng)方法。Slim-Neck模塊的加入取代了YOLOv8中原有的骨干網(wǎng)絡(luò)，使模型更加輕量化，從而降低計(jì)算成本；引人全局注意力機(jī)制（Globalattentionmodule，GAM），通過(guò)增強(qiáng)關(guān)鍵區(qū)域的特征計(jì)算能力提升模型對(duì)病害區(qū)域的定位精度。在 Inner–CIoU 框架中構(gòu)建輔助邊界框監(jiān)督，并采用CIoU損失函數(shù)同步優(yōu)化位置回歸，通過(guò)優(yōu)化梯度傳播路徑顯著加快了模型的收斂過(guò)程。

本研究旨在通過(guò)改進(jìn)YOLOv8模型，提出高效、輕量化的解決方案，以提高玉米葉斑病在復(fù)雜田間環(huán)境中的識(shí)別精度和效率，同時(shí)降低計(jì)算成本。通過(guò)引入輕量化模塊和注意力機(jī)制，優(yōu)化模型性能，為農(nóng)業(yè)病害識(shí)別提供創(chuàng)新的技術(shù)支持，推動(dòng)智慧農(nóng)業(yè)的發(fā)展。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)收集和數(shù)據(jù)集構(gòu)建

數(shù)據(jù)采集工作于湖北省宜昌市宜都市枝城鎮(zhèn)漫水橋村玉米種植區(qū)進(jìn)行，采集的樣本圖像涵蓋不同光照條件和復(fù)雜田間背景（圖1）。在玉米葉片檢測(cè)中，弱光條件下病斑特征明顯，強(qiáng)光條件下病斑特征模糊。實(shí)際玉米田間環(huán)境還存在葉片遮擋等干擾因素。本研究共采集350張玉米葉病害圖像，并從公開(kāi)數(shù)據(jù)集補(bǔ)充450張玉米葉斑病圖像，

為提高數(shù)據(jù)質(zhì)量和模型泛化能力，對(duì)部分圖像進(jìn)行數(shù)據(jù)擴(kuò)增，包括旋轉(zhuǎn)、鏡像、亮度調(diào)整、添加高斯噪聲和隨機(jī)遮罩[8]，將數(shù)據(jù)擴(kuò)增到1000張。這些操作有助于模型在各種情境下準(zhǔn)確識(shí)別葉斑病。數(shù)據(jù)經(jīng)過(guò)人工標(biāo)記后，分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，比例為8：1：1，最終獲得800張訓(xùn)練圖像、100張驗(yàn)證圖像和100張測(cè)試圖像。該劃分方案確保了模型訓(xùn)練的充分性和評(píng)估的可靠性，有效提升模型的泛化性能。

1.2 研究方法

1.2.1YOLOv8網(wǎng)絡(luò)模型YOLO系列算法是單階段目標(biāo)檢測(cè)算法，只需1次特征提取即可完成目標(biāo)檢測(cè)。自2015年創(chuàng)立以來(lái)，Y0L0系列算法經(jīng)歷多次迭代和改進(jìn)，包括YOLOv1、YOLOv2、YOLOv3、YOLOv4及YOLOv8。YOLOv8的架構(gòu)主要由輸入、骨干網(wǎng)絡(luò)（Backbone）、Neck模塊和輸出組成[9]。在Backbone和Neck部分，YOLOv8利用C2f結(jié)構(gòu)，能夠合并不同的梯度特征并進(jìn)行微調(diào)，從而提高模型的整體性能。在Head部分，YOLOv8采用解耦Head結(jié)構(gòu)[10]，有效分離了分類和檢測(cè)功能。同時(shí)，YOLOv8將分布焦點(diǎn)損失函數(shù)合并到損失函數(shù)中，進(jìn)一步增強(qiáng)模型的性能。這些優(yōu)化使得YOLOv8在目標(biāo)檢測(cè)任務(wù)中表現(xiàn)出色。YOLOv8的創(chuàng)新設(shè)計(jì)提升了檢測(cè)精度[]，，被廣泛應(yīng)用于各種實(shí)際場(chǎng)景。

1.2.2Slim-Neck模塊YOLOv8模型雖然在目標(biāo)檢測(cè)任務(wù)中表現(xiàn)優(yōu)異，但也存在計(jì)算效率不足的問(wèn)題，難以滿足田間實(shí)時(shí)檢測(cè)的需求。為解決這一問(wèn)題，本研究在YOLOv8模型中引入了 輕量級(jí)網(wǎng)絡(luò)結(jié)構(gòu)，降低網(wǎng)絡(luò)復(fù)雜度，從而減少檢測(cè)時(shí)間。 模塊是廣泛用于實(shí)時(shí)檢測(cè)的輕量級(jí)網(wǎng)絡(luò)結(jié)構(gòu)。目前，多種輕量級(jí)網(wǎng)絡(luò)架構(gòu)（如Xception和MobileNets系列）通過(guò)采用深度可分離卷積有效降低了計(jì)算復(fù)雜度，提升檢測(cè)效率[13]。雖然這些方法在減少計(jì)算時(shí)間方面取得了成功，但也降低了整體檢測(cè)精度。 模塊采用分組可分離卷積（GSConv）替代傳統(tǒng)卷積操作，通過(guò)解耦空間和通道維度特征提取，有效降低計(jì)算復(fù)雜度。GSConv是混合卷積結(jié)構(gòu)，能夠有效降低計(jì)算成本并簡(jiǎn)化網(wǎng)絡(luò)復(fù)雜度，同時(shí)保持模型的優(yōu)異性能（圖2a）。

在Slim-Neck模塊中引入基于GSConv的一次性聚合機(jī)制[14]，構(gòu)建了VoV-GSCSP模塊。通過(guò)以VoV-GSCSP替代原有的C2f模塊，不僅簡(jiǎn)化網(wǎng)絡(luò)架構(gòu)，而且實(shí)現(xiàn)模型的輕量化效果。VoV-GSCSP模塊的結(jié)構(gòu)如圖2b所示。在確保模型準(zhǔn)確性的同時(shí)，降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，解決檢測(cè)過(guò)程中的耗時(shí)問(wèn)題，為農(nóng)業(yè)病害實(shí)時(shí)檢測(cè)研究提供可行的技術(shù)方案。

1.2.3全局注意力機(jī)制目前，應(yīng)用較多的注意力機(jī)制包括SE（Squeezeandexcitation）和CBAM（卷積塊注意力機(jī)制）。SE通過(guò)為每個(gè)通道分配不同的權(quán)重獲取關(guān)鍵元素的更多信息（圖3a）。CBAM則結(jié)合空間和通道注意力機(jī)制（圖3b）。然而，SE和CBAM僅在各自維度進(jìn)行注意力操作[15]，未充分考慮通道和空間維度的相互關(guān)系，忽視了跨維度信息的重要性。因此，本研究引入GAM（圖3c），GAM明顯提升模型性能，同時(shí)只增加了少量參數(shù)。GAM能有效緩解通道間信息丟失問(wèn)題，優(yōu)化計(jì)算資源分配，增強(qiáng)模型對(duì)玉米葉斑病的檢測(cè)能力。集成GAM和Slim-Neck的改進(jìn)模型在檢測(cè)玉米葉斑病時(shí)表現(xiàn)更佳[16]。1.2.4損失函數(shù)改進(jìn)在目標(biāo)檢測(cè)算法中，損失函數(shù)的設(shè)計(jì)對(duì)檢測(cè)性能至關(guān)重要。CIoU損失函數(shù)涵蓋了覆蓋面積、質(zhì)心距離和縱橫比，是應(yīng)用最廣泛的損失函數(shù)之一。CIoU損失函數(shù)的計(jì)算式如下。

L_c=1-CIoU

式中， IoU 表示預(yù)測(cè)框和真實(shí)框的交集； ρ 表示預(yù)測(cè)框中心與真實(shí)框的歐幾里得距離； b，b_gt 表示預(yù)測(cè)框和真實(shí)框的中心坐標(biāo)； ∣c∣ 表示預(yù)測(cè)框和真實(shí)框之間最小閉合區(qū)域的對(duì)角線距離； w 和 h 分別表示預(yù)測(cè)框的寬度和高度； w_gt 和 h_gt 分別表示真實(shí)框的寬度和高度； L_c 表示損失函數(shù)的權(quán)重。

盡管基于 CIoU 損失函數(shù)通過(guò)引入新的損失項(xiàng)來(lái)加速收斂，但這種方法忽略了新?lián)p失項(xiàng)的局限性，可能導(dǎo)致不同檢測(cè)任務(wù)中的收斂速度較慢和泛化能力較差。因此，本研究在 CIoU 損失函數(shù)的基礎(chǔ)上引人 Inner–IoU 損失函數(shù)[17]，結(jié)構(gòu)如圖4所示。這種方法適應(yīng)性更強(qiáng)，可以針對(duì)特定檢測(cè)器和任務(wù)進(jìn)行定制，從而提高模型的收斂速度和泛化能力。

中心點(diǎn) x 坐標(biāo)； y_c 表示預(yù)測(cè)框的中心點(diǎn) y 坐標(biāo)；ratio表示輔助邊界框的比例因子，用于調(diào)整輔助邊界框的大小。

Inner-IoU損失函數(shù)明顯提升模型性能，同時(shí)降低網(wǎng)絡(luò)模型的復(fù)雜性。改進(jìn)后的模型通過(guò)調(diào)整輔助邊界尺度，有效加速收斂速度，同時(shí)抑制訓(xùn)練過(guò)程中的過(guò)擬合問(wèn)題，從而明顯提升整體性能[18]

1.2.5改進(jìn)的YOLOv8模型以YOLOv8模型為基礎(chǔ)進(jìn)行優(yōu)化，改進(jìn)后的模型結(jié)構(gòu)如圖5所示，旨在提升真實(shí)田間復(fù)雜環(huán)境下玉米葉斑病的識(shí)別與檢測(cè)性能。

1）骨干網(wǎng)絡(luò)和Neck部分。使用GSConv和VoV-GSCSP代替基礎(chǔ)模型中的Conv卷積和C2f模塊，降低模型的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度[19]。這些改進(jìn)使模型更輕量化，減少計(jì)算成本。

union=（w_gt×h_gt）×（ratio）²+（w×h）×

L_Inner-CIoU=L_CIoU+1-IoU_inner

式中， L_Inner-CIoU 表示Inner-CIoU損失函數(shù)的值，用于衡量預(yù)測(cè)框和真實(shí)框的差異； b_gtl 表示真實(shí)框的左邊界坐標(biāo)； b_gtr 表示真實(shí)框的右邊界坐標(biāo)； b_gtt 表示真實(shí)框的頂部邊界坐標(biāo)； b_gtb 表示真實(shí)框的底部邊界坐標(biāo)； b_ι 表示預(yù)測(cè)框的左邊界坐標(biāo)； b_r 表示預(yù)測(cè)框的右邊界坐標(biāo)； b_t 表示預(yù)測(cè)框的頂部邊界坐標(biāo)； b_b 表示預(yù)測(cè)框的底部邊界坐標(biāo)； x_gtc 表示真實(shí)框的中心點(diǎn) x 坐標(biāo)； y_gtc 表示真實(shí)框的中心點(diǎn) y 坐標(biāo)； x_c 表示預(yù)測(cè)框的

2）GAM。在Neck模塊的末尾引人 GAM^[20] ，通過(guò)整合各維度的信息來(lái)增強(qiáng)特征提取能力。該機(jī)制能夠自適應(yīng)地聚焦玉米葉斑病的關(guān)鍵區(qū)域，在提升定位精度的同時(shí)減少冗余計(jì)算，實(shí)現(xiàn)更高效率的病害檢測(cè)。

3）Inner-IoU損失函數(shù)。在CIoU的基礎(chǔ)上引人Inner-IoU損失函數(shù)[21]，使模型能夠及時(shí)調(diào)整最適合檢測(cè)任務(wù)的輔助邊緣尺度，加速模型收斂，提高模型的泛化能力。這些改進(jìn)措施明顯提升了模型在復(fù)雜田間環(huán)境中的檢測(cè)性能，使其能夠更準(zhǔn)確、快速地識(shí)別玉米葉斑病，為農(nóng)業(yè)生產(chǎn)提供強(qiáng)有力的技術(shù)支持。

1.3 評(píng)估指標(biāo)

使用召回率、精確度、平均精度均值（ Π_mAP@ 0.5） mAP@[0.5：0.95] 、總參數(shù)計(jì)數(shù)和推理時(shí)間作

為評(píng)估和改進(jìn)模型的主要指標(biāo)，并與其他控制模型進(jìn)行比較。

召回率 （Recall） 表示在預(yù)測(cè)陽(yáng)性樣本中被正確識(shí)別的概率，計(jì)算式如下。

精確度（Precision）表示在預(yù)測(cè)為陰性的樣本中被正確識(shí)別為陽(yáng)性樣本的概率，計(jì)算式如下。

平均精度均值 是衡量Precision和Recall的綜合表現(xiàn)，反映模型在某一類別上的檢測(cè)能力，計(jì)算式如下。

式中， TP （True positives）是陽(yáng)性樣本被正確識(shí)別為陽(yáng)性樣本的數(shù)量； FN （Falsenegatives）是陽(yáng)性樣本被錯(cuò)誤識(shí)別為陰性樣本的數(shù)量； FP （False posi-tives）是陰性樣本被錯(cuò)誤識(shí)別為陽(yáng)性樣本的數(shù)量；AP_i 表示第 i 個(gè)類別的平均精度。此外，總參數(shù)計(jì)數(shù)和推理時(shí)間被納入考量，以全面評(píng)估模型的性能。總參數(shù)計(jì)數(shù)反映模型的復(fù)雜度，而推理時(shí)間則衡量模型的實(shí)時(shí)檢測(cè)能力。通過(guò)這些評(píng)估指標(biāo)可以全面了解模型的檢測(cè)性能，并與其他模型進(jìn)行對(duì)比，從而驗(yàn)證改進(jìn)方法的有效性。

1.4 試驗(yàn)環(huán)境

試驗(yàn)環(huán)境的配置如表1所示[22]。試驗(yàn)設(shè)置初始學(xué)習(xí)率為0.01，動(dòng)量為 0.937^[23] ，圖像輸入大小為901px×506px ，批量大小為16，訓(xùn)練周期為300。該配置充分利用硬件計(jì)算資源，在保證訓(xùn)練效率的同時(shí)優(yōu)化模型性能。

2 結(jié)果與分析

2.1 算法性能分析

為了評(píng)估不同算法的性能，本研究選取多種常用注意力機(jī)制模塊進(jìn)行對(duì)比分析，包括GAM、SE、MCA、Context及CBAM。試驗(yàn)在相同的數(shù)據(jù)集和參數(shù)設(shè)置下進(jìn)行。結(jié)果（圖6）表明，GAM在識(shí)別性能

方面優(yōu)于其他模塊。

在GAM基礎(chǔ)上引入 模塊，將其與GDM模塊、DWConv模塊和RFA模塊進(jìn)行比較。結(jié)果（圖7）表明， 模塊在識(shí)別效果上明顯優(yōu)于其他模塊。

改進(jìn)的YOLOv8模型在復(fù)雜田間環(huán)境中表現(xiàn)出卓越的識(shí)別性能，提升了玉米葉斑病的檢測(cè)精度和效率。

2.2 消融試驗(yàn)

與 YOLOv8 模型相比，GAM的引入明顯提升了模型性能，盡管參數(shù)數(shù)量增加，但Precision、Recall、mAP@0.5 和 分別增加 2.27% 、2.92%.1.71% 和 4.82% （表2）。這表明GAM能夠有效引導(dǎo)模型聚焦關(guān)鍵區(qū)域，從而顯著提升識(shí)別精度。與YOLOv8模型相比，改進(jìn)YOLOv8模型（ GAM+ Slim-Neck+Inner-CIoU）的Precision、Recall、 mAP@

0.5和 分別增加 4.15%，5.51% 、3.91% 和 11.35% ，參數(shù)量和檢測(cè)時(shí)間分別減少10.39% 和 3.42% 。明顯減少了模型總參數(shù)數(shù)量，簡(jiǎn)化了模型架構(gòu)。 GAM，Slim-Neck，Inner-CIoU 的引入明顯提升了 YOLOv8 模型的性能（圖8）。

2.3 模型比較

為驗(yàn)證改進(jìn)后 YOLOv8 模型的綜合性能，本研究選取具有代表性的單階段與雙階段檢測(cè)模型進(jìn)行橫向?qū)Ρ?，包括YOLOv3模型、YOLOv5模型、YO-LOv6模型、YOLOv8模型及FasterR-CNN模型。所有試驗(yàn)均在統(tǒng)一數(shù)據(jù)集與超參數(shù)配置下完成訓(xùn)練與測(cè)試，以嚴(yán)格控制變量干擾。由表3可知，改進(jìn)后的YOLOv8 模型在 Precision，Recall，mAP@0.5 和 mAP@ [0.5：0.95] 方面普遍優(yōu)于其他模型，同時(shí)在參數(shù)量和檢測(cè)時(shí)間上也表現(xiàn)出顯著的優(yōu)勢(shì)，兼具高效性與輕量化特點(diǎn)。改進(jìn)的YOLOv8模型能夠更高效地捕獲關(guān)鍵信息，充分融合多維度特征，合理分配計(jì)算資源，從而提升識(shí)別準(zhǔn)確率。這使得模型在復(fù)雜現(xiàn)場(chǎng)環(huán)境中不僅能夠快速精準(zhǔn)地定位疾病位置，還可以準(zhǔn)確判斷疾病類型，展現(xiàn)出卓越的性能與適應(yīng)性。

為驗(yàn)證改進(jìn)后YOLOv8模型的檢測(cè)性能，采用改進(jìn)YOLOv8模型對(duì)玉米葉斑病圖像進(jìn)行分析與驗(yàn)證。

改進(jìn)YOLOv8模型能夠準(zhǔn)確辨別玉米葉斑病的位置，沒(méi)有出現(xiàn)假陽(yáng)性實(shí)例（圖9），該模型在玉米葉斑病識(shí)別任務(wù)中表現(xiàn)優(yōu)異，具有顯著的實(shí)用價(jià)值與推廣潛力。

3 小結(jié)

首先，引入了GAM，增強(qiáng)模型對(duì)重要區(qū)域的關(guān)注能力，從而提高識(shí)別的準(zhǔn)確性。其次，Slim-Neck模塊的應(yīng)用簡(jiǎn)化了模型結(jié)構(gòu)，降低計(jì)算成本，同時(shí)保持高識(shí)別精度。此外，Inner-IoU損失函數(shù)的引入加速模型的收斂，提高泛化能力，進(jìn)一步優(yōu)化模型性能。改進(jìn)的YOLOv8模型在復(fù)雜田間環(huán)境中能高效識(shí)別葉斑病，并準(zhǔn)確標(biāo)定其位置。與YOLOv3模型、YOLOv5模型、YOLOv6模型、YOLOv8模型、FasterR-CNN模型相比，改進(jìn)的YOLOv8模型不僅性能增強(qiáng)，而且參數(shù)復(fù)雜度降低，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)化，為農(nóng)業(yè)生產(chǎn)提供了強(qiáng)有力的技術(shù)支持。

參考文獻(xiàn)：

[1]趙玉霞.基于圖像識(shí)別的玉米葉部病害診斷技術(shù)研究[D].北京：北京郵電大學(xué)，2007.

[2]樊湘鵬，周建平，許燕.基于改進(jìn)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的田間玉米葉部病害識(shí)別[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（6）：10.

[3]慕君林，馬博，王云飛，等.基于深度學(xué)習(xí)的農(nóng)作物病蟲(chóng)害檢測(cè)算法綜述[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（S2）：301-313.

[4]邊柯橙，楊海軍，路永華.深度學(xué)習(xí)在農(nóng)業(yè)病蟲(chóng)害檢測(cè)識(shí)別中的應(yīng)用綜述[J].軟件導(dǎo)刊，2021，20（3）：26-33.

[5]楊鋒，姚曉通.基于改進(jìn)YOLOv8的小麥葉片病蟲(chóng)害檢測(cè)輕量化模型[J].智慧農(nóng)業(yè)中英文，2024，6（1）：147-157.

[6]劉潤(rùn)飛.基于改進(jìn)YOLOv8的棉花蟲(chóng)害檢測(cè)算法[J].農(nóng)業(yè)工程，2024，14（7）：42-47.

[7］朱婷茹.基于無(wú)人機(jī)影像的松林變色立木識(shí)別方法研究[D].南京：南京林業(yè)大學(xué)，2023.

[8］高偉鋒.基于YOLOv8的柑橘病蟲(chóng)害識(shí)別系統(tǒng)研究與設(shè)計(jì)[J].智慧農(nóng)業(yè)導(dǎo)刊，2023，3（15）：27-30.

[9]張書(shū)貴，陳書(shū)理，趙展.改進(jìn)YOLOv8的農(nóng)作物葉片病蟲(chóng)害識(shí)別算法[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2024，45（7）：255-260.

[10]李志良，李夢(mèng)霞，董勇，等.基于改進(jìn)YOLO 的輕量化玉米害蟲(chóng)識(shí)別方法[J].江蘇農(nóng)業(yè)科學(xué)，2024，52（14）：196-206.

[11]SHRIVASTAVAA，GUPTA A.Contextual priming and feedbackforfasterR-CNN[A].Computer vision-ECCV 2016：14th Euro-pean conference[C].Amsterdam，Netherlands：Springer，2016.

[12]HE K， ZHANG X，REN S，et al. Spatial pyramid pooling in deepconvolutional networks for visual recognition[J]. IEEE transac-tions on pattern analysis and machine intelligence，2O15，37（9）：1904-1916.

[13]DEVRIEST，TAYLORG W.Improved regularization of convolu-tional neural networkswith cutout［J].arXiv preprint arXiv：170804552. 2017.

[14]ZHANGH，CISSE M，DAUPHINYN，etal.Mixup：Beyond em-pirical risk minimization[J].arXiv preprint arXiv：171009412.2017.

[15]HENDRYCKSD，MUN，CUBUKED，et al.Augmix：A simpledata processing method to improve robustness and uncertainty[J].arXiv preprint arXiv：191202781.2019.

[16]ROY A M，BHADURI J.DenseSPH-YOLOv5：An automated

damage detection model based on denseNet and swin-transformer prediction head-enabled YOLOv5 with attention mechanism[J]. Advanced engineering informatics，2023，56：102007.

[17]ROYAM，BHADURIJ，KUMART，etal.WilDect-YOLO：An efficient and robust computer vision-based accurate object localizationmodel forautomated endangered wildlifedetection[J].Ecologicalinformatics，2023，75：101919.

[18］WUD，JIANGS，ZHAOE，etal.Detection ofCamellia oleifera fruit in complex scenes by using YOLOv7 and data augmentation[J].Applied sciences，2022，12（22）：11318.

[19]ZHAOQ，YANGL，LYUN.A driver stress detection model via data augmentation based on deep convolutional recurrent neural network[J].Expert systems with applications，2024，238：122056.

[20]LIF，ZHANGH，XUH，etal.Mask dino：Towardsaunified transformer-based framework for object detection and segmentation[A]. IEEE conference on computer vision and pattern recognition[C]. IEEE，2023.3041-3050.

[21]YE Z，GUOQ，WEI J，et al.Recognition of terminal buds of densely-planted Chinese firseedlingsusingimproved YOLOv5by integrating attention mechanism[J].Frontiers in plant science， 2022，13：991929.

[22]ZHENG Z，HUY，QIAOY，etal.Real-time detection of winter jujubes based on improved YOLOX-nano network［J].Remote sensing，2022，14（19）：4833.

[23]HU J，SHEN L，SUNG.Squeeze-and-excitation networks[A]. Proceedings of the IEEE conference on computer vision and patternrecognition[C].IEEE，2018.7132-7141.

（責(zé)任編輯雷霄飛）