基于改进YOLOv 8n算法的水稻叶片病害检测OA

针对水稻病害检测中存在的识别精度不足、检测效率低下、目标定位偏差及冗余检测等问题,设计了一种基于YOLO v8n架构优化的叶片病害识别方案。通过3个核心改进策略实现了算法性能提升:首先,采用EfficientViT多尺度特征提取架构替代原主干网络,在保证特征表征能力的同时将计算复杂度尽可能降低;其次,在特征融合模块中集成压缩与激励注意力机制,通过动态通道权重调整强化关键特征传递;最后,创新性地应用序列化证据加权的交并比优化函数,有效提升边界框回归精度。经水稻病害数据集验证,优化后的模型在保持较高单帧处理速度的前提下,将检测准确率提升至95.32%,较基准YOLO v8n提升5.31百分点;mAP@0.5达97.14%。对比试验显示,该模型在检测速度上较YOLO v6快2.3倍,且边界框定位误差有所降低。本研究提出的轻量化改进方案,不仅为移动端设备部署高精度病害检测系统提供了可行路径,其引入的多尺度注意力机制与动态权重分配策略,也为农业图像处理领域的模型优化提供了新的技术参考方向。