基于改进YOLOv8n的苹果叶片病害检测OA

为提升复杂背景下苹果叶片病害的检测精度,应对苹果叶片病害对生产带来的影响,提出改进YOLOv8n模型。构建一个多场景下的苹果叶片病害数据集,共包含4 686张图片,涵盖6种常见病害。引入Optimized—CBAM注意力机制,增强模型对关键特征的关注度。使用更轻量化且高效的SimSPPF模块替换特征融合模块。引入结合CIoU和EIoU优点的Focal—EIoU损失函数,进一步增强模型在特征提取和边界框精确定位方面的能力。结果表明,改进YOLOv8n模型精确率为94.16%、召回率为84.16%、平均精度均值mAP为87.4%,模型体积为6.15 MB,检测速度为370.4 FPS,相比于基线YOLOv8n模型,分别提升1.02%、4.07%、2.8%、0.03 MB、14.8%。改进YOLOv8n模型有效提高苹果叶片病害的检测性能,特别是在复杂背景下,其检测精度和鲁棒性显著优化。为智能农业的病害检测提供可靠支持。