基于改进YOLOv8算法的实时细粒度植物病害检测

薛霞 刘鹏 周文

摘要：为解决现有识别方法在植物病害检测中遇到的密集分布、不规则形态、多尺度目标类别、纹理相似性等障碍，提出一种高性能的实时细粒度植物病害检测框架。首先，在YOLOv8主干网络和颈部设计两个新的残差块，增强特征提取和降低计算成本；其次，引入DenseNet层，并使用Hard-Swish函数作为主要激活函数，以提高模型的准确性；最后，设计PANet网络，用于保留细粒度的局部信息和改善特征融合。在不同的复杂环境下，对番茄植株的四种不同病害进行检测。试验结果表明，所提改进模型在检测准确性和速度上均优于现有模型的检测模型。当检测速度为71.23 FPS时，所提改进模型精确度为92.58%，召回率为97.59%，F1分数为93.64%。为精准农业自动化提供有效的技术手段。

关键词：植物病害检测；改进YOLOv8；实时目标检测；深度神经网络；残差网络

中图分类号：S432； TP391.41

文献标识码：A

文章编号：2095-5553 （2024） 05-0188-07

收稿日期：2023年12月11日  修回日期：2024年2月11日*基金项目：运城学院博士科研启动项目（YQ—2022003）

第一作者：薛霞，女，1985年生，西安人，博士，讲师；研究方向为机器学习、人工智能在交叉领域的应用等。E-mail：  xuexia201607@163.com

Detection of  real-time fine-grained plant disease based on improved YOLOv8 algorithm

Xue Xia1， Liu Peng2， Zhou Wen3

（1. School of Maths and Information Technology， Yuncheng University， Yuncheng， 044000， China;

2. College of Information Science and Engineering， Shanxi Agricultural University， Jinzhong， 030800， China;

3. Stale Key Laboratory of Computer Architecture， Institute of Compuing Technology，  Chinese Academy of

Sciences， Beijing， 100190， China）

Abstract：

A high-performance real-time fine-grained plant disease detection framework is proposed to solve the problems of dense distribution， irregular shape， multi-scale target category and texture similarity encountered by existing identification methods in plant disease detection. Firstly， two new residual blocks are designed in YOLOv8 backbone network and neck to enhance feature extraction and reduce computing cost. Secondly， the DenseNet layer is introduced and the Hard-Swish function is used as the main activation function to improve the accuracy of the model. Finally， the PANet network is designed to retain fine-grained local information and improve feature fusion. Four different diseases of tomato plants were detected in different complex environments， and the experimental results showed that the proposed model was superior to the most advanced detection models in both accuracy and speed. At the detection rate of 71.23 FPS， the model obtained the precision of 92.58%， the recall rate of 97.59%， and the F1-score of 93.64%， which provided an effective technical means for precision agriculture automation.

Keywords：

plant disease detection; improved YOLOv8; real-time target detection; deep neural network; residual network

0 引言

隨着全球人口的增长和气候变化，粮食安全问题日益突出［1］。植物病害作为影响粮食产量的主要因素之一，对农业生产造成了巨大的损失［2］。在我国，植物病害种类繁多，发生频繁，给农业生产带来了严重困扰［3］。随着现代农业的发展，植物病害的检测和防治成为农业生产中至关重要的环节。然而，传统的植物病害检测方法主要依靠人工巡检，这种方法不仅效率低，而且难以实现大规模、实时的病害监测［4-6］。近年来，深度学习技术在农业领域得到广泛应用，尤其是在图像分类和目标检测等计算机视觉任务上［7］。

基于区域提议网络的两阶段模型如Faster R-CNN在检测精度上优于一阶段模型，但检测速度较慢［8］。YOLO系列算法是计算机视觉领域中著名的实时目标检测算法，其快速、准确的特点使其在众多应用场景中脱颖而出［9］。杨文姬等［10］针对传统的植物病害检测方法存在的准确性和速度不足的问题，提出了一种基于改进的YOLOv5深度学习模型，能够有效地识别苹果和番茄叶片上的常见病害。赵越等［11］以马铃薯叶片为研究对象，基于TensorFlow平台构建了Faster R-CNN网络模型，利用本地增强技术对正常和患有早疫病、晚疫病的马铃薯叶片进行图像增广，同时采用COCO数据集的预训练权重进行迁移学习，分析了数据类别对模型检测效果的影响。试验结果表明，该模型的最高检测精度达到了99.5%，为马铃薯病害的快速诊断提供了技术支持。曾晏林等［12］提出了一种结合自注意力机制和Transformer模块的目标检测算法，能够在自然环境中实现对苹果叶片病虫害的自动识别和检测。该算法具有高速和高精度的特点，为苹果种植过程中的智能化管理提供参考依据。

YOLOv8可以有效地提高模型的检测准确度，但由于复杂的环境，植物病害检测任务面临着一些特定的挑战，特别是密集的细粒度病害、受感染区域的不规则几何形态、多尺度感染病灶的共存、受影响区域和周围环境的纹理相似、光照条件的变化、重叠和遮挡等［13］。因此，YOLOv8可能会提供较低的检测准确度，导致大量的漏检和误检，这是由于对多尺度病害检测问题的细粒度特征提取不足所致［14］。此外，YOLOv8还会带来高计算成本和较长的训练时间，不适合现场移动设备。

为解决植物病害检测的实时性和精细度的问题，本文基于YOLOv8算法提出一种新的植物病害检测模型。介绍所提算法的原理和结构，分析其在植物病害检测中的优势和不足。针对植物病害检测的特点，对YOLOv8算法进行骨干网络、颈部网络、激活函数和特征融合网络的改进。最后，本文在番茄植物4种常见病害的数据集上对改进后的模型进行试验评估，并与YOLOv7和YOLOv8等前沿模型进行对比分析。

1 病害数据

1.1 数据集

本文使用公开可获得的PlantVillage数据集［15］中的番茄叶片病害图像。该数据集包含多种植物的不同病害的图像。从PlantVillage数据集中，抽取4种番茄常见病害类的图像，分别是早疫病、晚疫病、紫斑病和叶霉病，每类抽取了300张图像，构建了包含1 200张图像的初始数据集。

1.2 数据增强

为增强模型的鲁棒性和避免过拟合，使用数据扩充的方法对初始数据集进行10倍的扩充，得到包含12 000张图像的自定义数据集，如图1所示。从扩充后的数据集中，随机选择8 400张图像作为训练集，1 800张作为验证集，1 800张作为测试集。使用开源工具LabelImg进行图像的标注工作，将目标类及其对应的边界框坐标保存在PASCAL VOC格式的XML文件中。

2 基于改进的YOLOv8算法

为了解决上述与实时疾病检测过程相关的问题，对YOLOv8算法［16］进行改进和优化，以实现复杂背景环境中细粒度图像多属性检测的准确预测。通过在复杂背景中实时检测不同的番茄植物病害，展示模型的有效性，改进的YOLOv8网络架构如图2所示。

2.1 主干特征提取网络

最新的YOLOv8模型采用一个新的骨干网络，称为C2f，是在CSPDarknet53的基础上改进的。C2f模块使用更多的跳层连接和分割操作，以增强梯度流和特征融合，从而提高模型的表达能力和效率。C2f模块首先执行1×1卷积，将输入特征分割为两部分，然后对其中一部分执行3×3卷积，最后将两部分特征相加，形成残差结构。

在Darknet-53网络［17］中的殘差模型帮助网络在同时减少可训练参数数量的情况下，学习更具表达力的特征，输入图像的特征层通过卷积操作不断地进行下采样，以提取细粒度的丰富语义信息，使其更适合实时检测。

为提高特征图的语义信息和感受野，YOLOv8模型在特征金字塔的每一层都使用了空间金字塔池化（Spatial Pyramid Pooling，SPP）和特征金字塔注意力网络（Feature Pyramid Attention Network，PANet）。SPP的数学表达式如式（1）所示。

3.3 试验结果

为验证本文模型的有效性，将Faster R-CNN、RetinaNet、SSD、Cascade R-CNN、Mask R-CNN、YOLOv4、YOLOv7和YOLOv8模型在PlantVillage数据集中的番茄叶片病害图像进行训练和测试，表2展示8个模型的性能指标。

由表2可知，RetinaNet、SSD、Mask R-CNN和Cascade R-CNN是中等水平的模型，它们在各个指标上都有不同的优劣，没有明显的优势或劣势。Faster R-CNN是最差的模型，它在所有指标上都表现最低，尤其是在时间和检测速度上，分别为45.14 ms和23.02FPS，远低于其他模型。YOLOv8是除了本文模型之外的最佳模型，其在精确度、F1分数、mAP上都超过了90%，并且在时间和检测速度上也有较好的表现，分别为14.29 ms和70.19FPS。本文模型在所有指标上都表现最优，尤其是在召回率和检测速度上，分别达到97.59%和71.23FPS，远高于其他模型。说明通过对骨干网络、颈部网络和特征融合网络的改进，提高了植物病害检测的实时性、精细度和鲁棒性。

表3展示本文模型番茄叶片病害检测的效果，本文模型的精确度、召回率和F1分数分别达到90.43%、97.25%和93.67%。这说明本文模型在检测植物病害的目标时，既准确又完整，能够有效地区分目标和非目标，也能够覆盖大部分的目标。

进一步分析可知，本文模型在四个类别上的指标都是最高的，而且相对稳定，没有明显的差异。这说明本文模型对不同类别的植物病害都有很好的检测能力，没有偏好或忽略某一类别。

3.4 病害检测可视化

从PlantVillage数据集中随机抽取了4种番茄常见病害类的图像，图4为可视化不同模型对早疫病、晚疫病、紫斑病和叶霉病的检测效果，白色箭头表示对应模型预测的未检测到或错误检测。可以看出本文模型在检测植物病害方面具有明显的优势，无论是在整体性能上还是在不同类别上，都能够准确地识别不同形状、大小和颜色的病害区域，同时减少了漏检和误检的情况。相比之下，YOLOv7和YOLOv8模型在检测植物病害方面表现较差，尤其是在面对复杂和挑战性的场景时，如高纵横比的斑点、相似纹理的区域、密集分布的病害等。

4 结论

1）  本文模型利用残差模块、PANet等有效提取细粒度语义特征，提高小目标和多尺度目标的检测性能。Hard-Swish激活函数增强模型的非线性特征表达能力，提高检测精度。

2）  本文提出的基于改进YOLOv8的模型明显优于原始YOLOv8和YOLOv7模型，在植物病害数据集上取得更高的检测精度和速度。在番茄叶片病害多类别检测任务中，本文模型实现实时检测，获得92.58%的精确率和71.23 FPS的检测速度，优于其他模型。

参 考 文 献

［1］ Sankaran S， Mishra A， Ehsani R， et al. A review of advanced techniques for detecting plant diseases ［J］. Computers and Electronics in Agriculture， 2010， 72（1）： 1-13.

［2］ 张建华， 陈申宽， 张晓振， 等. 人工智能技术在植物叶片病虫害识别中的研究进展［J］. 种子科技， 2023， 41（16）： 124-126.

［3］ Abade A， Ferreira P A，Vidal F D B. Plant diseases recognition on images using convolutional neural networks： A systematic review ［J］. Computers and Electronics in Agriculture， 2021， 185： 106125.

［4］ Zeng H， Bai Y， Wei Y， et al. Phytomelatonin as a central molecule in plant disease resistance ［J］. Journal of Experimental Botany， 2022， 73（17）： 5874-5885.

［5］ Kourelis J， Marchal C， Posbeyikian A， et al. NLR immune receptor-nanobody fusions confer plant disease resistance ［J］. Science， 2023， 379： 934-939.

［6］ Li H， Yoshida S， Mitani N， et al. Disease resistance and growth promotion activities of chitin/cellulose nanofiber from spent mushroom substrate to plant ［J］. Carbohydrate Polymers， 2022， 284： 119233.

［7］ 邵明月， 張建华， 冯全， 等. 深度学习在植物叶部病害检测与识别的研究进展［J］. 智慧农业（中英文）， 2022， 4（1）： 29-46.

Shao Mingyue， Zhang Jianhua， Feng Quan， et al. Research progress of deep learning in detection and recognition of plant leaf diseases ［J］. Smart Agriculture， 2022， 4（1）： 29-46.

［8］ Du L， Sun Y， Chen S， et al. A novel object detection model based on Faster R-CNN for spodoptera frugiperda according to feeding trace of corn leaves ［J］. Agriculture， 2022， 12（2）： 248.

［9］ Wu K， Zhang J， Yin X， et al. An improved YOLO model for detecting trees suffering from pine wilt disease at different stages of infection ［J］. Remote Sensing Letters， 2023， 14（2）： 114-123.

［10］ 杨文姬， 胡文超， 赵应丁， 等. 基于改进Yolov5植物病害检测算法研究［J］. 中国农机化学报， 2023， 44（1）： 108-115.

Yang Wenji， Hu Wenchao， Zhao Yingding， et al. Research on plant disease detection algorithm based on improved Yolov5 ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（1）： 108-115.

［11］ 趙越， 赵辉， 姜永成， 等. 基于深度学习的马铃薯叶片病害检测方法［J］. 中国农机化学报， 2022， 43（10）： 183-189.

Zhao Yue， Zhao Hui， Jiang Yongcheng， et al. Detection method of potato leaf diseases based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 183-189.

［12］ 曾晏林， 贺壹婷， 蔺瑶， 等. 基于BCE-YOLOv5的苹果叶部病害检测方法［J］. 江苏农业科学， 2023， 51（15）： 155-163.

［13］ 李大湘， 滑翠云， 刘颖. 面向苹果叶部病害识别的细粒度蒸馏模型［J］. 农业工程学报， 2023， 39（7）： 185-194.

Li Daxiang， Hua Cuiyun， Liu Ying. Identifying apple leaf disease using a fine-grained distillation model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（7）： 185-194.

［14］ 贾兆红， 张袁源， 王海涛， 等. 基于Res2Net和双线性注意力的番茄病害时期识别方法［J］. 农业机械学报， 2022， 53（7）： 259-266.

Jia Zhaohong， Zhang Yuanyuan， Wang Haitao， et al. Identification method of tomato disease period based on Res2Net and bilinear attention mechanism ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（7）： 259-266.

［15］ Mohanty S P， Hughes D P， Salathé M. Using deep learning for image-based plant disease detection ［J］. Frontiers in Plant Science， 2016， 7： 215232.

［16］ Zhu R， Hao F， Ma D. Research on polygon pest-infected leaf region detection based on YOLOv8 ［J］. Agriculture， 2023， 13（12）： 2253.

［17］ Inui A， Mifune Y， Nishimoto H， et al. Detection of elbow OCD in the ultrasound image by artificial intelligence using YOLOv8 ［J］. Applied Sciences， 2023， 13（13）： 7623.

［18］ Albahli S， Nawaz M. DCNet： DenseNet-77-based CornerNet model for the tomato plant leaf disease detection and classification ［J］. Frontiers in Plant Science， 2022， 13： 957961.

［19］

Li Y， Li S， Du H， et al. YOLO-ACN： Focusing on small target and occluded object detection ［J］. IEEE Access， 2020， 8： 227288-227303.

［20］ Roy A M， Bhaduri J. A deep learning enabled multi-class plant disease detection model based on computer vision ［J］. AI， 2021， 2（3）： 413-428.