【目标检测论文解读复现NO.39】基于改进 YOLOv8 的轻量级复杂环境苹果叶片病害检测方法

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。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。本文仅对论文代码实现，如果原文章的作者觉得不方便，请联系删除，尊重每一位论文作者。

一、摘要

本研究旨在开发一种准确检测识别苹果叶片病害的轻量化模型方法。[方法]构建了一个自然复杂场景下的包含 15 190 张高质量 RGB 图像的苹果叶片病害数据集 ALD6，涵盖了实际生产中最为常见的 5 种病害类型和一个健康对照类。其次，提出了一个基于 YOLOv8s 改进的高效苹果叶片病害检测模型，称为 ADDN-YOLO。用 BoT 替换了部分 C2f 结构以更好地捕捉图像中的全局和局部更丰富的信息，提高模型的特征提取能力，同时降低计算开销；设计了更轻量化的检测头降低了模型复杂性，更易部署于硬件设备上；引入 MPDIoU 损失函数优化了原 CIoU 对目标尺寸变化不敏感的问题，更加全面地考虑目标的位置和尺寸差异信息，提高目标的定位能力。[结果]最终在自制 ALD6 数据集上获得了 94.9%的 mAP，相较原始基准模型提高了 0.7%的精度，计算量和模型大小比基准模型降低了 35.6%和 35.5%。模型大小为 13.8 MB，模型推理速度为 175.7 FPS。[结论]实验结果表明所提出的 ADDN-YOLO 算法在准确性和降低模型复杂性方面都具有明显优势，可以为自然场景下苹果叶片病害的高效、准确检测识别提供可靠的理论支持。