前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。
一、摘要
针对植物叶片病害人工识别效率低、智能化监测技术匮乏等问题,以番茄为试验材料,提出一种基于 YOLOv10n网络改进的叶片病害轻量化检测算法DHS-YOLO。首先引入DCNv4可变形卷积,提升模型对叶片病 害不规则目标的特征感知能力与推理效率;其次,使用分层混合注意力模块(C2f_HHA)替代原C2f结构,在不增加 计算复杂度的前提下,实现病害关键特征的精确提取;最后,在模型颈部网络新设计了空间-通道-位置集成融合 模块(SCPI),以增强针对叶片病害多尺度特征融合的表达能力。为提高模型泛化能力,对数据集进行了翻转、拼 接、亮度调节、高斯噪声添加等数据增广操作,最终构建包含10047张图像的番茄叶片病害数据集,并按N(训练 集) ∶N(验证集) ∶N(测试集)=8∶ 1∶ 1划分。试验结果表明:DHS-YOLO模型对番茄叶片病害检测的mAP50、 mAP50-95值分别达到94.7%和79.9%,较原YOLOv10n模型分别提升4.1和4.0个百分点,模型体积减小6.5%, 精确率与召回率同步优化。
二、网络模型及其创新点
改进后模型
本研究对YOLOv10n模型的改进主要围绕3个 方向展开:①在Backbone部分的最后一个下采样阶 段使用更高效的可变形卷积模块DCNv4代替原网 络模型中的SCDown模块,以提升基础特征提取能 力;②设计更强的特征提取模块C2f_HHA代替原 C2f模块,以捕获多尺度上下文信息;③优化特征融合策略,用新设计的SCPI模块(空间-通道-位置集 成模块)来代替Neck层的部分Concat模块,以提升 颈部网络的信息整合能力。
三、数据集
本研究所用的数据集来源于公开的Plantvil lage数据集,并结合其他公开资源进行补充完善。 研究选取该数据集中实验室环境和真实田间环境 下的番茄叶片病害图像共计7481张作为实验图 像来源,所有图像的标注均使用LabelImg工具完 成,采用边界框形式标出病害区域。该数据集中 包括9种番茄常见叶片病害:早疫病、健康、晚疫 病、潜叶虫害、叶霉病、番茄花叶病毒病、斑枯病、 二斑叶螨危害及黄化曲叶病。将图像分辨率统一 调整为640像素×640像素。具体示例如图1所 示。
四、实验效果（部分展示）
消融实验
五、实验结论
本研究提出轻量化改进模型DHS-YOLO,通过 引入DCNv4、C2f_HHA和SCPI三种模块,在番茄叶 片病害识别任务中提升了检测性能。在与主流模型 的对比中,DHS-YOLO在精度与复杂度间取得最 佳平衡,适用于边缘计算等资源受限场景。本研 究工作的价值不仅在于为特定园林作物的病害识 别提供了一个高效解决方案,更在于所采用的自 适应特征提取、多尺度注意力与智能化特征融合 策略,为植物叶片病害的通用化智能检测提供了 新的技术思路。该轻量化模型便于向移动终端部 署,未来经适配后,有望应用于园林植物健康巡检 等实际场景,为园林植物保护领域的智能化监测 体系提供技术参考。
**注：**论文原文出自朱莉，姜洪洋，黄建平．基于改进YOLOv10n的植物叶片病害轻量化检测模 型------以番茄(Solanum lycopersicum)为例J/OL．东北林业大学学报.