基于CMS-YOLOv8n的葡萄叶片病害检测.pdf

冀常鹏 佐永吉 代 巍 基于CMS YOLOv8n的葡萄叶片病害检测 J 沈阳农业大学学报 2025 56 3 95 105 JICP ZUOYJ DAIW DetectionofgrapeleafdiseasesbasedonCMS YOLOv8n J JournalofShenyangAgriculturalUniversity 2025 56 3 95 105 基于nullnullnullnullnullnullnullnullnullnullnull的葡萄叶片病害检测 冀常鹏 佐永吉 代 巍 辽宁工程技术大学 电子与信息工程学院 辽宁葫芦岛 125105 摘 要 目的 在复杂的农业场景下 人工观测葡萄叶片病害存在效率低及误判率高的问题 为了改变这一现状 提升葡萄叶病 害检测的准确性与效率 满足农业生产中对病害早发现 早防治的需求 提出一种基于改进YOLOv8n模型的葡萄叶病害检测算法 CMS YOLOv8n 方法 首先在骨干网络和颈部网络中引入CBAM CBAM通过结合通道和空间注意力 能够让模型更有效地聚 焦于病害区域特征 当面对葡萄叶片上不规则的病害目标时 普通模型可能难以准确捕捉特征 而引入CBAM后的模型 能自动 学习到病害区域在通道和空间维度上的重要特征 从而显著提升对不规则病害目标的表征能力 其次 设计新型C2f MS Block 模块 用它来替代颈部网络中的C2f模块 多尺度构建块能够从不同尺度去提取病害目标信息 对于不同大小 形状的病害 都能 很好地捕捉其特征 在降低模型复杂度的同时 极大地提升对病害目标多尺度信息的处理能力 使得模型在不同环境下都能稳 定地检测出病害 结果 相较于原始YOLOv8n 改进后的模型性能有显著提升 在检测精度方面 mAP50提高1 3 mAP50 95 提高0 3 在模型复杂度方面 FLOPs从8 1G降低至7 8G 结论 改进后的模型不仅检测精度更高 而且在运行时所需的计算 量更少 更有利于在实际场景中部署和应用 在未来的农业生产中 有望进一步推广应用 帮助种植户及时发现葡萄叶病害 减 少经济损失 促进葡萄产业的健康发展 关键词 YOLOv8 病害检测 CBAM MS Block 中图分类号 TP391 41 文献标识码 A 文章编号 1000 1700 2025 03 0095 11 nullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnullnull JIChangpeng ZUOYongji DAIWei SchoolofElectronicandInformationEngineering LiaoningTechnicalUniversity HuludaoLiaoning125105 China nullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull In complex agricultural scenarios manual observation of grape leaf diseases has the problems of low efficiency and a high misjudgment rate To change this situation improve the accuracy and efficiency of grape leaf disease detection and meet the demand for early detection and prevention of diseases in agricultural production a grape leaf disease detection algorithm named CMS YOLOv8n based on the improved YOLOv8n model is proposed nullnullnullnullnullnullnull Firstly CBAM Convolutional Block Attention Module is introduced into the backbone network and the neck network By combining channel and spatial attention CBAM enables the model to focus more effectively on the features of the diseased areas When facing irregular disease targets on grape leaves ordinarymodelsmayhavedifficultyinaccuratelycapturingthefeatures However themodelintroducedwithCBAMcanautomatically learn the important features of the diseased areas in both the channel and spatial dimensions thus significantly enhancing the representation ability for irregular disease targets Secondly a new C2f MS Block module is designed to replace the C2f module in thenecknetwork Themulti scalebuildingblockcanextractdiseasetargetinformationfromdifferentscales andcanwellcapturethe features of diseases with different sizes and shapes While reducing the complexity of the model it greatly improves the ability to 沈阳农业大学学报 2025 56 3 95 105 JournalofShenyangAgriculturalUniversity http DOI 10 3969 j issn 1000 1700 2025 03 010 收稿日期 2024 12 30 修回日期 2025 02 20 基金项目 辽宁省教育厅基本科研项目 LJKMZ20220677 第一作者 冀常鹏 1970 男 硕士 教授 从事信号处理及计算机通信与网络研究 E mail ccp 沈 阳 农 业 大 学 学 报 第56卷 processmulti scaleinformationofdiseasetargets enablingthemodeltostablydetectdiseasesindifferentenvironments nullnullnullnullnullnullnull The improved model is verified through experiments and the results show that the performance of the improved model has significantly improved compared with the original YOLOv8n In terms of detection accuracy the mAP50 has increased by 1 3 and the mAP50 95hasincreasedby0 3 Intermsofmodelcomplexity theFLOPshavebeenreducedfrom 8 1Gto7 8G nullnullnullnullnullnullnullnullnullnull Thismeans that the improved model not only has higher detection accuracy but also requires less computation during operation which is more conducivetodeploymentandapplicationinpracticalscenarios Infutureagriculturalproduction itisexpectedtobefurtherpromoted and applied to help growers detect grape leaf diseases in a timely manner reduce economic losses and promote the healthy developmentofthegrapeindustry nullnullnull nullnullnullnullnull YOLOv8n diseasedetection CBAM MS Block 作为全球最大的葡萄生产和消费国 中国的葡萄产业对国民经济具有重要贡献 推动葡萄产业的发展不 仅能提高种植户的经济收入 还能促进地方经济发展 助力农户脱贫致富 在科技持续赋能与市场需求强劲 拉动的双重驱动下 葡萄产业呈现出迅猛的发展态势 当下 葡萄的应用范畴已实现多元化拓展 从传统的食 品加工领域 逐步延伸至化妆品 医药 生物制品等高精尖行业 彰显出其在跨领域应用中所蕴含的巨大价值 与发展潜力 1 然而 在葡萄栽培过程中的各种病害导致葡萄减产 作物品质下降 从而使 其经济效益降低 传统的病 害检测与防治方法主要依赖人工观察和专业知识 既低效又容易出现误判 近年来 基于计算机视觉与深度 学习的农作物病虫害诊断方法研究取得了突破性进展 2 4 早期的图像处理方法 如聚类分析 边缘检测 颜色 分割和纹理分析 5 8 等 虽然为病害识别提供初步的思路 但在复杂背景下的识别效果有限 难以满足实际应用 的需求 基于卷积神经网络 CNN 的图像识别方法 如AlexNet和VGGNet在农业病害检测中取得一定进展 但在实际应用中仍面临计算资源消耗大 实时性差的问题 因此 针对叶片病害等形态复杂 大小不一且区域 不规则的目标 亟需一种更加高效的病害检测技术 最近几年 YOLO系列因其在物体检测方面的优良性能 引起人们的广泛兴趣 通过K means聚类和特征 层优化 基于YOLOv3开发荔枝和番茄病害检测方法 9 10 王权顺等 11 改进YOLOv4算法 结合二分K均值聚类 算法和DenseNet121优化锚框和特征网络 用于苹果叶部病害检测 陶兆胜等 12 改进YOLOv5s 并应用于番茄叶 片病害检测 尽管这些研究取得一定成果 但在小目标检测和复杂背景识别方面仍存在改进空间 YOLOv8 模型在小目标检测方面其性能和速度有所提升 13 14 但在葡萄叶片病害识别中的应用仍处于探索阶段 因此 提出一种基于的注意力机制和分层特征融合策略检测方法的CMS YOLOv8n CBAM MS Block YOLOv8n 模 型 为葡萄叶片病害检测提供一种高效且准确的模型方法 null 材料与方法 nullnullnull 试验数据集 数据集质量是影响模型训练效果和检测性能的关键因素 为确保模型能够精准识别葡萄叶片病害 构建 一个涵盖3种常见病害类型的数据集 图1 包括黑腐病 Blackrot 霜霉病 Downymildew 和艾斯卡病 Esca disease 数据集的图像来源于青岛市大泽山 锦州北镇葡萄种植基地 这些地区病虫害种类丰富 且种植环境 多样 有助于采集到多样化的病害叶片样本 基本涵 盖不同的光照条件 生长期以及葡萄品种 以保证数据 的多样性和代表性 葡萄病虫害样本采集在春季展叶 期至秋季落叶期之间 这样能确保收集到不同生长阶 段的病害样本 同时 记录采集时的环境温度 湿度等信 息 以便后续分析环境因素与病虫害发生的关联 采集 设备使用佳能5DMarkIV数码相机 配备微距镜头 以 便确保能够清晰捕捉到叶片上的细微病虫害特征 设 置图像分辨率为300dpi 图像尺寸为4000 3000像素 黑腐病 Blackrot 埃斯卡病 Escadisease 霜霉病 Downymildew 图null 数据集实例 nullnullnullnullnullnull null nullnullnullnullnullnullnull nullnullnullnullnullnullnullnull 96 第3期 冀常鹏等 基于CMS YOLOv8n的葡萄叶片病害检测 保证采集的图像具有足够的细节信息 共获得1129张葡萄叶片图像 为保证数据的高质量和科学性 采集过 程严格控制试验条件 包括晴天 阴天和早晚低光照等自然光照变化 此外 为提高数据集的多样性及丰富 性 加入来自PlantVillage 15 AiStudio 16 IDADP 17 18 公开数据集中的葡萄叶片病害图像4284张 利用X Any LabelImg软件对图像进行标注 标签信息存储为YOLO算法的txt数据格式 葡萄病害图像数据词典的数据表 字段与示例见表1 具体而言 使用LabelImg为每张图像中的病害区域绘制边界框 并按照青岛市大泽山葡萄 种植基地的葡萄病害情况 将其分为葡萄正常叶片 0 grape 黑腐病 1 b r 霜霉病 2 gdm 和艾斯卡病 3 esca 4种类别进行标注 生成的txt标签文件与图像文件同名 其中记录的目标信息 包括类别 归一化后的中 心坐标及边界框的宽高 为了评估模型性能 将数据集按照训练 验证 测试的8 1 1比例划分 各类别的数 量分布如图2 病灶位Lesionlocation 叶部Leaves 叶部Leaves 叶部Leaves 病害名Diseasename 霜霉病Downymildew 黑腐病Blackrot 埃斯卡病Escadisease 图像路径Imagepath gdm IMG2152 jpg b r IMG1205 jpg esca IMG3308 jpg 备注Remarks 大泽山Dazeshan 北镇Beizhen 大泽山Dazeshan 表null 葡萄病害图像数据词典的数据表字段与示例 nullnullnullnullnull null nullnullnullnull nullnullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnull nullnullnull nullnullnull nullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnull 图null 类别数量 nullnullnullnullnullnull null nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnull YOLOv8n是YOLOv8系列中的一个网络模型 由 Ultralytics开发并开源于GitHub 该模型旨在适应不同 的计算资源和部署场景 以实现高效的目标检测 YO LOv8n注重在精度与速度之间找到最佳平衡 能够满足 实时目标检测任务的需求 YOLOv8n网络模型包括骨 干网络 Backbone 颈部网络 Neck 和检测头 Head 3 个模块 骨干网络部分参考CSPDarkNet结构 并使用 C2f模块替代传统的C3模块 从而减少参数量并提升特 征提取能力 此外 YOLOv8n仍保留SPPF SpatialPyr amidPoolingFast 模块 以进一步增强特征表示能力 Neck部分采用优化后的PAN FPN Path Aggregation Network FeaturePyramidNetwork 结构 通过融合来自 骨干网络不同阶段的特征图 Neck部分采用最优路径 聚集网络 特征金字塔网络 PAN FPN 结构 融合骨干网各阶段特征图 增强特征表达能力 为后续的目标检 测提供更丰富的信息 并且同样使用C2f模块替代C3模块 null nullnullnullnullnullnullnullnullnullnullnull CMS YOLOv8n网络结构如图3 其中Conv为卷积运算 C2f模块是一种用于减少特征冗余的卷积神经网络 模块 CBAM注意力机制 ConvolutionalBlockAttentionModule 是一种用于增强卷积神经网络性能的模块 通过引 入通道注意力和空间注意力机制来提高特征表示的质量 SPP SpatialPyramidPooling 全称为空间金字塔池化结 构 是由HE等在2015年提出的 19 SPP模块的主要目的是为了解决图像在输入到卷积神经网络时尺寸不一的问 题 在卷积神经网络中 通常需要将图像调整到固定大小才能输入到网络中 然而 由于图像本身的大小和长宽 比可能各不相同 调整大小可能会图像失真或信息丢失 SPP模块通过金字塔池化的方式 将不同大小的输入映 射到固定长度的输出 从而解决了这个问题 SPPF SpatialPyramidPoolingFast 模块是SPP模块的一种改进 它 在保持SPP模块优点的同时 进一步提高计算效率 SPPF模块通过改变金字塔池化的实现方式 实现更快的计算 速度 Concat Concatenate 特征融合是一种将两个或多个张量 或特征图 在某个维度上连接在一起的操作 生成 一个更大的张量 Bottleneck块 输入到这些Bottleneck块的特征图通过一系列的卷积 归一化和激活操作进行处 数 量 N u m b e r 3000 2500 2000 1500 1000 500 0 类型Type grape b r gdm esca 97 沈 阳 农 业 大 学 学 报 第56卷 理 最后生成的特征图会与直接传递的那部分特征图在Concat块进行拼接 Concat MaxPool2d层用于下采样输入 体积的空间维度 减少网络的计算复杂度并提取主要特征 SiLU SigmoidLinearUnit 为Swish激活函数 20 23 农业场景是一个复杂的环境 葡萄叶片病害通常分布不均 且容易被复杂背景 如土壤 枝叶和光照变化 干 扰 传统YOLOv8n在关注关键区域和抑制干扰上存在一定局限 需引入更强的注意力机制来增强特征提取的针 对性 将卷积注意力机制模块 ConvolutionalBlockAttentionModule CBAM 引入YOLOv8n的backbone和neck 中 提升网络对关键病害区域的关注能力 并抑制背景干扰 从而显著提升葡萄叶片病害检测的准确性和鲁棒性 此外 病害特征具有多尺度特性 病害表现形式多样 包括斑点 变色等 且分布在叶片的不同区域 同时为了在 便携式设备上实现实时推理 模型需要兼顾轻量化和高性能 而MS Block模块 21 通过分层特征融合策略实现轻 量化的多尺度特征融合 有助于捕获不同尺度的病害特征 与传统的特征融合方式相比 MS Block不仅能有效 平衡模型的实时性和精度 还能够显著降低计算复杂度和空间复杂度 因此 在neck部分集成MS Block模块 使 得模型更加适配便携式平台的部署需求 同时增强其在复杂农业场景中的应用能力 24 25 nullnullnull 添加注意力机制 在葡萄叶片病害检测任务中 病害通常表现为细小的斑点或纹理变化等微小特征而难以精确检测 同时农业 复杂环境和光照变化也增大对病害检测的干扰 采用CBAM以提高模型的检测精度和鲁棒性 CBAM通过生成 具有通道和空间维度的特征图 能够动态地调整网络对不同区域的关注强度 具体来说 CBAM在通道维度上通 过通道注意力机制 赋予不同通道不同的权重 突出病害区域的关键特征 而在空间维度上 CBAM则通过空间注 意力机制关注图像中重要的局部区域 进一步减小背景噪声的影响 这使得模型能够更加精准地捕捉病害区域 的细节 尤其是针对细小目标的检测 减少小目标漏检的风险 从而显著提升检测精度和鲁棒性 在CMS YOLOv8n模型中 在backbone中的SPPF模块前和neck部分的中间引入CBAM SPPF模块旨在处 理不同尺度的特征图 增强网络的多尺度感知能力 然而 SPPF模块处理的特征图在信息丰富度上存在一定 的不平衡 可能会导致模型对病害区域的关注不够 因此 在SPPF模块前引入CBAM 可以帮助模型在多尺度 特征融合前更加精准地捕捉病害区域的细节 强化病害区域的特征表达 确保在特征融合过程中对重要信息 的关注度提高 其次 YOLOv8n的neck部分负责将backbone提取的特征进行进一步处理 并传递给输出层进 行目标检测 此时 模型已经提取一定的高级特征 但这些特征仍然可能包含较多的背景噪声 特别是在复杂 的农业环境中 通过在neck部分的中间引入CBAM 能够在进行最终特征融合和预测之前 进一步优化特征的 图null nullnullnullnullnullnullnullnullnullnullnull网络结构 nullnullnullnullnullnull null nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull 98 第3期 冀常鹏等 基于CMS YOLOv8n的葡萄叶片病害检测 空间和通道注意力 减少背景干扰和不相关区域的影响 使得模型更专注于病害区域的细节 CBAM是一种能够提高网络特征表达能力的计算单元 它以中间层特征量为输入 输出具有相同大小的增 强特征 该过程通过两个关键步骤实现 首先是通道注意力机制 ChannelAttention 通过全局信息建模来对 不同通道进行加权 从而突出重要的通道特征 其次是空间注意力机制 SpatialAttention 通过对特征图的空 间维度进行建模来关注重要区域的空间信息 最终 经过这两步的注意力机制处理后 网络能够更有效地聚 焦于关键特征 提升检测性能 整个过程如图4 利用特征图F传递通道注意模块 建立通道注意力映射M c F 将F与M c F 逐像素相乘得到增强后的特征图F 1 F 1 进入空间注意力机制模块生成空间注意力映射M s F 1 最后 通过将F 1 与M s F 1 逐像素相乘 得到特征图F 2 图null nullnullnullnull结构 nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnull 图null 通道注意力模块结构 nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnull 通道注意力模块如图5 首先对输入特征图F沿通道维度同时进行全局平均池化 GlobalAveragePooling GAP 和全局最大池化 GlobalMaxPooling GMP 得到2个不同的空间表现向量 随后 将这两个向量输入共 享的多层感知机 MLP 网络 将经过MLP网络处理后的两个向量相加 并通过Sigmoid激活函数 生成最终的 通道注意力向量 通道注意力权重M c F 定义为 M c F MLP AvgPool F MLP MaxPool F 1 式中 F为输入特征图 为Sigmoid激活函数 MLP为多层感知机网络 AvgPool为平均池化 MaxPool为最大池化 空间注意力模块如图6 首先将输入特征图F1沿通 道维度分别进行全局平均池化和全局最大池化操作 生成两个大小为W H 1的空间特征图 随后 将这两 个特征图进行通道维度上的拼接 得到一个大小为W H 2的特征图 接着 通过一个卷积核大小为7 7的卷 积操作进行特征提取 并经过Sigmoid激活函数 最终生 成空间注意力特征图 空间注意力权重M s F 1 定义为 M s F f 7 7 AvgPool F 1 MaxPool F 1 2 图null 空间注意力模块结构 nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnull 99 沈 阳 农 业 大 学 学 报 第56卷 式中 F 1 为输入特征图与通道注意力权重逐像素相乘得到的特征图 M s F 1 为空间注意力权重 为Sigmoid激 活函数 f 7x7 为卷积核 CBAM模块通过集成通道注意力机制模块和空间注意力机制模块来关注更重要通道以及更显著空间位 置 从而帮助模型更有效地选择与病害特征相关的关键信息 有效提高病害检测的准确性 nullnullnull 模型轻量化 在对YOLOv8n进行改进时 需要考虑葡萄叶片检测的实时性 第一 为了部署在农业应用场景中的便携 式设备 如无人机 手持终端等 这些设备通常计算能力有限 轻量化设计可以减少模型的计算复杂度和内存 占用 从而使其在低功耗硬件上也能高效运行 第二 虽然多尺度融合能够显著提升检测精度 但它也增加计 算量 轻量化设计可以优化结构 减少冗余计算 第三 模型轻量化改进不仅能降低训练和调优成本 而且符 合绿色计算理念 有助于可持续发展目标 降低设备能耗 YOLOv8的neck部分中的C2f模块负责将来自backbone的特征进行多层次的融合 虽然backbone部分中的 C2f模块也有助于特征融合 但其主要作用是在较低的层次上对特征进行初步的处理和提取 相比之下 neck 部分负责对从backbone提取的特征进行更加细致的融合与加工 尤其是在处理多尺度信息时 因此 优化 neck中的C2f模块 能够在特征融合阶段更加精细地提升模型性能 传统的C2f模块虽然能够有效融合多层特 征 但在处理复杂背景或细小病害特征时 仍然存在一定的局限性 此外 C2f模块在计算效率上也存在一定 的瓶颈 影响了实时性 尤其是在计算资源有限的设备上 C2f MSBlock模块通过层次化特征融合策略和异 构卷积核选择协议 有效提升多尺度特征融合的精度 与传统C2f模块相比 C2f MSBlock能够更好地处理不 同尺度的特征 特别是在捕捉细粒度信息 如微小病 斑 和整合粗粒度信息方面表现更为出色 从而显著提 高葡萄叶片病害检测的精度 尤其在复杂背景下的小 目标检测中具有明显优势 此外 C2f MSBlock的轻量 化设计有效减少冗余计算 降低计算量 提高推理速 度 确保模型在实时性要求高的农业场景中能够快速 响应 同时适应低功耗设备的部署需求 C2f MSBlock 模块如图7 MS Block的结构如图8 首先对输入特征应用1 1 卷积 以增加通道维度并增强特征表达能力 随后 将 处理后的特征划分为多个并行分支 其中一个分支保 持原始特征不变 其余分支则通过倒置残差模块进行 进一步处理 以生成丰富的多尺度特征表示 在网络 的浅层 MS Block使用较小的卷积核 以便更细致地处 理高分辨率特征 从而更好地捕获小尺寸目标的细节 信息 在网络的深层 MS Block使用一个更大的卷积核 来捕捉更多的上下文信息 便于识别大尺寸目标 有助 于检测大尺寸的葡萄叶片及其病害 在特征融合阶段加入MS Block 可以更好地融合 不同层级的特征 提高特征的表达能力 在YOLOv8n 网络中加入MS Block 对于葡萄霜霉病等病害 能融合 多尺度特征 增强对病害的定位和分类能力 在特征 提取模块中 采用瓶颈结构 减少中间层的通道数 从 而降低计算量 对于病虫害检测模型中的特征提取部 分 通过设计紧凑的瓶颈模块 在不影响对病虫害特征 图null nullnullnullnullnullnullnullnullnullnullnull结构 nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull 图null nullnullnullnullnullnullnullnull结构 nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnull 100 第3期 冀常鹏等 基于CMS YOLOv8n的葡萄叶片病害检测 提取效果的情况下 减少计算量和参数量 MS Block通过引入InvertedBottleneckBlock来降低计算成本 首先 此结构利用1 1卷积对输入特征进 行升维 以增加特征空间的表达能力 其次 采用深度可分离卷积 DW卷积 实现高效的特征提取 最后 采用 1 1卷积降维 降低计算复杂度 降低参数 该方法在保持特征信息丰富度的前提下 大大降低计算复杂度 提 高模型的实时性 CBAM的计算量相对较小 而MS Block在处理多尺度特征时可能会增加一定的计算量 在设计网络结构 时 需要根据实际应用场景对计算资源的限制 合理选择模块的数量和位置 如在移动端或嵌入式设备上进 行病害检测 应减少MS Block的使用 以保证实时性 而在服务器端进行大规模病害检测时 可以适当增加 MS Block以提高性能 22 23 null 试验与分析 nullnullnull 试验环境 试验是在AutoDL单卡服务器上进行 操作系统为Ubuntu20 04 CPU为IntelXeon Gold6430 2 1GHz GPU型号为NVIDIARTX4090GPU 24GB显存 内存120GB 深度学习框架选用PyTorch1 11 0 编程语言选用 Python3 8 CUDA11 3的编译环境 输入图像尺寸为640 640 训练周期为150epoch 批量大小为64 优化器 选用随机梯度下降 SGD 初始学习率设定为0 001 以实现高效且稳定的模型训练 nullnullnull 评价指标 为验证基线YOLOv8n模型在葡萄病虫害检测上的性能 以精度 Precision 召回率 Recall 均值平均精度 MeanAveragePrecision mAP 的两个变体 分别为mAP50和mAP50 95 并结合浮点运算量 FLOPs 模型大 小作为模型性能的评估标准 在目标检测方面 mAP是评价模型总体性能的一个重要指标 该方法在不同置信阈值下 将精度 Preci sion 与召回率 Recall 相结合 评价模型的综合性能 具体来说 通过绘制精度 召回率 Precision Recall 曲 线 计算出各类别的检测性能指数 AP mAP是用来衡量多类模型综合表现的平均水平 假设模型需要检测 n个类别 评价指标的计算为 Precision TP TP FP 3 Recall FP TP FP 4 AP 0 1 P R dR 5 mAP 1 n i 1 n AP i 100 6 式中 n为检测类别 Precision为精确率 Recall为召回率 TP为被正确识别的正样本 FP为负样本被错误识别为 正样本 AP为平均精度 P R 为Precision以Recall为参数的一个函 mAP为均值平均精度 在目标检测方面 mAP是评价模型总体性能的一个重要指标 该方法在不同置信阈值下 将精度 Preci sion 与召回率 Recall 相结合 评价模型的综合性能 具体来说 通过绘制精度 召回率 Precision Recall 曲 线 计算出各类别的检测性能指数 AP 而mAP是用来衡量多类模型综合表现的平均水平 mAP50表示当IOU IntersectionoverUnion 阈值设置为0 50时的平均精度 它将所有IOU超过0 50的检测 结果视为正确 适用于快速评估模型在较宽松匹配标准下的表现 相比之下 mAP50 95则在IOU阈值从0 50 到0 95的范围内 以0 05为间隔进行计算 能够更全面地评估模型在不同匹配标准下的性能表现 FLOPs反映 模型的计算复杂度 通过降低FLOPs 可以有效提升模型的运算速度并实现轻量化 nullnullnull 消融试验 为验证提出的CMS YOLOv8n模型的有效性 进行消融试验 所有试验均在确保其他试验参数一致的前提 下进行 通过针对不同改进方法的比较 旨在深入探讨各改进对模型性能的具体影响 消融试验的结果如表2 试验结果表明 加入CBAM注意力机制后 模型的mAP50和mAP50 95分别提高至92 2 和71 显著提 101 沈 阳 农 业 大 学 学 报 第56卷 升检测精度 在引入MS Block模块后 尽管mAP50较原始模型提高0 9 但mAP50 95略有下降 下降幅度 为0 5 值得注意的是 FLOPS从8 1显著降低至7 7 显著减少模型的计算复杂度 尽管CMS YOLOv8n与仅加入CBAM注意力机制的模型相比 mAP50和mAP50 95有所下降 但成功实现模 型的轻量化 显著减少模型参数量 更重要的是 在 保持较高检测精度的同时 该模型能够满足葡萄叶 病害检测任务对实时性的要求 从而在精度和实时 性之间实现良好的平衡 根据图9的检测效果对比 CMS YOLOv8n模 型在病害检测方面表现得更加精细 与YOLOv8n 相比 CMS YOLOv8n不仅能够检测到微小病害区 域 这些区域是YOLOv8n未能识别的 而且还能将 YOLOv8n错误识别为单一大面积病害的区域 准 确地细分为多个小区域 这种精细化的检测能力 显著提高病害区域定位的准确性 从而增强检测 的全面性和可靠性 不管是YOLOv8n还是CMS YOLOv8n 霜霉病 和艾斯卡病由于其病斑特征显著 对比强烈 通常 比黑腐病更容易被检测到 黑腐病的早期症状表 现为小而不明显的褐色病斑 与背景容易混淆 因 此检测难度较大 同时 艾斯卡病和黑腐病由于 在颜色 形状和分布上存在一定相似性 在检测过 程中可能会被混淆 导致互相误检 尤其是黑腐病的早期病斑较小且特征不明显时 误判为艾斯卡病的可能 性更高 但是 CMS YOLOv8n通过引入