基于深度学习的砀山梨病虫害识别与检测系统

摘要：砀山梨在我国农业经济中占据重要地位，病虫害防治对其果品质量和经济效益意义重大。传统人工识别病虫害方式存在诸多弊端，难以满足大规模种植需求。本研究提出一种基于 CA 注意力机制改进的 YOLOv8 病虫害识别模型，将 CA 模块嵌入主干网络和特征融合层，利用其通道注意力筛选病害特征，提升特征提取效果。实验表明，改进后的模型在自建数据集上的 mAP@0.5 较原始 YOLOv8s 提升 3.1%，召回率提高 2.8%，为农业智能化病虫害防治提供了更有效的技术支撑。

关键词：病害检测；YOLOv8；CA 注意力机制

1.引言

砀山梨作为我国知名经济作物，病虫害的发生严重影响其产量和品质，进而波及果农收益。随着砀山梨种植规模不断扩大，传统人工识别病虫害的方法效率低下、误判率高，且在复杂环境下实时性差，难以适应现代砀山梨种植的病虫害防治需求。

深度学习技术的发展为病虫害识别带来了新契机，YOLO 系列算法凭借高效检测性能广泛应用。但原始 YOLOv8 模型在复杂场景下存在背景干扰敏感、关键病斑区域聚焦不足的问题。CA 注意力机制能有效增强模型对关键特征的捕捉能力，在特征优化方面表现出色。

本研究基于此，提出基于 CA 注意力机制改进的 YOLOv8 病虫害识别模型，针对砀山梨病虫害特点优化模型结构，提升模型在复杂环境下的检测精度与鲁棒性，助力农业智能化病虫害防治。

2.数据采集与预处理方法

2.1多模态数据采集

本文构建了包含4类真菌病害（梨锈病、黑星病等）和3类虫害（梨木虱、蚜虫等）的数据集，采集设备包括：

无人机航拍：DJI Mavic Air 2搭载20MP相机，获取冠层尺度图像。

手持终端：一加ACE3进行近地拍摄，捕捉叶片细节。

2.2数据预处理

2.2.1数据标注

本研究将数据集中图像调整为同一尺寸像素，所有图像均为jpg 格式，采用LabelImg标注软件对采集到的所有图像进行标注。

2.2.2图像增强

针对砀山梨园复杂环境，对图像进行随机遮挡、随机亮度调整、随机旋转、水平平移、随机裁剪等增强操作，扩充数据集，使模型能学习到更多复杂场景下的病虫害特征，提升模型适应性和验证准确率。

3.方法设计

3.1 YOLOv8算法概述

YOLOv8作为单阶段目标检测算法，具有高效检测性能，在农作物病虫害识别领域应用前景广阔。其网络架构包括输入端、Backbone主干网络、Neck特征融合和Head检测输出。输入端进行图像尺寸调整、归一化等预处理，并利用 Mosaic 数据增强丰富样本。Backbone提取特征，Neck结合FPN与PAN结构实现多尺度特征融合，提升小目标检测能力。Head端依据损失函数完成分类和定位。相比 YOLOv5，YOLOv8在性能和效率上进一步优化，本文选用YOLOv8s进行研究。

3.2YOLOv8s融合CA注意力机制

在深度学习领域，注意力机制对提升模型性能效果显著。CA（Coordinate Attention）注意力机制有独特优势，它强调坐标信息在特征提取中的重要性，能更精准地捕捉空间特征。

CA注意力机制的工作原理是：首先对特征图进行通道注意力的计算，通过全局平均池化和全局最大池化获取特征图的全局信息，然后将其映射到一个低维空间进行特征融合，再通过全连接层和激活函数生成通道注意力权重。接着对通道注意力后的特征图进行空间注意力计算，利用卷积操作在空间维度上提取特征，生成空间注意力权重，最终将通道和空间注意力权重相乘，得到最终的注意力权重，对输入特征图进行加权，突出关键特征信息。

本研究将CA模块嵌入YOLOv8的主干网络和特征融合层。在主干网络的特定位置引入CA模块，利用通道注意力筛选病害特征，抑制光照、背景等因素带来的干扰信息；通过空间注意力定位病斑分布，强化病斑边缘纹理等关键空间特征，提升模型对病虫害特征的提取能力。在特征融合层嵌入CA模块，对多尺度特征进行优化，降低背景干扰响应值，聚焦病斑密集区，增强模型在复杂场景下的检测精度和鲁棒性。

4.实验与结果分析

4.1 实验环境与数据集划分

本实验在 CPU Intel（R） Xeon（R） W - 2245CPU@3.90GHz 3.91GHz、GPU NVIDIA RTX A2000 12GB、内存 64GB 的环境下进行。数据集按照 8：2 的比例划分为训练集、验证集。

4.2 评价指标

采用准确率（Precision）、召回率（Recall）、平均精度均值（mAP@0.5）等关键指标评估模型检测性能。准确率反映预测为正样本的真正例比例；召回率体现所有正样本中被正确预测的比例；mAP@0.5以IoU阈值0.5计算不同类别的AP 并取均值，衡量整体检测精度。

4.3 实验对比

对比原始YOLOv8s与改进模型（CA - YOLOv8s）在相同数据集上的检测表现，并与其他常见目标检测算法进行对比。改进后的CA- YOLOv8s相比原始YOLOv8s，mAP@0.5提升3.1%，召回率提高2.8%。这表明CA模块有效增强了模型对病斑区域的关注能力，减少了漏检情况。与YOLOv5s等其他算法相比，CA - YOLOv8s在检测精度和速度上均表现出色，证明了本研究方法在砀山梨病虫害识别领域的优势。

5.结论与展望

本研究针对砀山梨病虫害识别需求，提出基于 CA 注意力机制改进的 YOLOv8 检测模型，嵌入 CA 模块后显著提升了模型对复杂场景的适应能力。在实际应用中，该模型能够快速、准确地识别砀山梨病虫害，为果农及时采取防治措施提供有力依据，有助于降低病虫害对砀山梨产业的损失。未来研究将扩大数据集规模，纳入更多不同品种、不同生长环境下的砀山梨病虫害图像，使模型更具普适性。同时，进一步优化模型结构，精简参数和计算量，在保证性能的前提下，提高模型的移动端部署性能，以便在实际种植场景中广泛应用，推动农业智能化病虫害防治发展，更好地服务于砀山梨产业的可持续发展。

参考文献

[1]Hou Q， et al. Coordinate Attention for Efficient Mobile Network Design[C]. CVPR 2021：13713-13722.

[2]李健铭.基于注意力机制的枇杷病虫害识别系统的设计与开发[D].重庆三峡学院，2024.

[3]慕君林，马博，王云飞，等.基于深度学习的农作物病虫害检测算法综述[J].农业机械学报，2023，54（S2）：301-313.

[4]李大华， 孔舒， 李栋， 于晓. 基于改进YOLOv7 的苹果表面缺陷轻量化检测算法[J]. 河南农业科学， 2024， 53（3）： 141-150.

[5]李昊， 刘海隆， 刘生龙， . 基于深度学习的柑橘病虫害动态识别系统研发[J].中国农机化学报，2021，42（9）： 195-201+208.

项目支持：宿州学院资助国家级大学生创新创业训练计划项目，项目名称：基于深度学习的砀山梨病虫害识别与检测系统，项目编号：202410379054。