主管单位:吉林省科技厅
主办单位:吉林省科学技术信息研究所
合作单位:吉林省科学技术情报学会

农业与技术 ›› 2026, Vol. 46 ›› Issue (9): 47-51.DOI: 10.19754/j.nyyjs.20260930009

• 农业工程 • 上一篇    

基于改进YOLOv8的番茄叶片病害智能检测算法

迟盛元、张晓洁、贾骐宁、孟凡松、赵艳芹   

  1. 1.哈尔滨信息工程学院软件学院,哈尔滨150431;2.黑龙江科技大学计算机与信息工程学院,哈尔滨150022
  • 收稿日期:2026-07-06 出版日期:2026-09-30 发布日期:2026-09-30
  • 作者简介:迟盛元(1999-),男,硕士,助教。研究方向:人工智能、图像处理与智能农业;通信作者张晓洁(1983-),女,硕士,中级工程师。研究方向:数据可视化、图像处理。
  • 基金资助:
    黑龙江省自然科学基金项目(项目编号:PL2025F048);哈尔滨信息工程学院校级自然科学基金项目(项目编号XZRJJ2026001);哈尔滨信息工程学院高年级课题(项目编号2526130103052,2526130103053)
  • Received:2026-07-06 Online:2026-09-30 Published:2026-09-30

摘要: 针对番茄叶部病害早期识别困难、传统YOLOv8模型参数量大难以部署到边缘设备的问题,提出一种基于Ghost轻量化卷积与CBAM注意力机制融合改进的番茄叶片病害智能检测方法。该方法以YOLOv8n为基础检测框架,将骨干网络中所有C2f模块替换为C3Ghost,下采样卷积替换为GhostConv,在保证特征提取能力的同时降低计算开销;并在空间金字塔池化模块(SPPF)之后与颈部三尺度输出特征前嵌入CBAM模块,通过通道注意力与空间注意力的双重串联,提升模型对病斑细粒度纹理与小目标病变的关注能力。在包含10852张图像、10类常见番茄病害的公开数据集上的实验结果表明,所提出的Ghost-CBAM融合模型在mAP@0.5:0.95指标上达到0.8762,较原始YOLOv8n基线提升0.94百分点,较单一CBAM改进提升0.25百分点;同时模型参数量仅为1.73×106,较基线减少42.5%,权重文件减小至3.7MB。该方法兼顾了检测精度与模型轻量化2个矛盾目标,为田间边缘部署提供了可行方案。

关键词: 机番茄叶片病害;目标检测;YOLOv8;Ghost卷积;CBAM注意力;轻量化模型

中图分类号: