GAF-Net：一种基于YOLOv8的增强型多疾病玉米叶片检测模型

《IEEE Transactions on AgriFood Electronics》：GAF-Net: An Enhanced Multidisease for Corn Leaves Detection Model Based on YOLOv8

玉米病虫害检测技术对精准施药和疾病管理至关重要，但传统方法依赖人工特征设计且泛化能力有限，早期深度学习模型难以有效处理多样化病虫害特征。本研究提出Gsconv-Adaptive Feature Fusion Network（GAF-Net），基于YOLOv8集成自适应空间特征融合策略和分组空间卷积模块，显著提升多尺度斑点特征整合和病损叶片区域处理能力。通过构建包含北方叶斑病、虫害、褐斑病和霜霉病的集成图像数据集，实验表明GAF-Net mAP_50达80.8%（较基线提升4.1%），mAP（50–95）为52.6%（提升3.3%），为复杂农业环境提供高精度检测工具。

　　

摘要：

玉米叶害虫和病害的检测技术在实现精准农药施用和优化病害管理策略方面发挥着至关重要的作用。然而，传统的机器学习方法需要人工设计特征，并且泛化能力有限。虽然早期的深度学习模型提高了自动化程度，但它们在有效处理多种害虫和病害特征的复杂性方面仍存在困难。本研究的主要目标是通过开发一种新的检测模型——Gsconv-自适应特征融合网络（GAF-Net）来克服这些局限性，从而提高玉米害虫和病害检测的准确性和鲁棒性。GAF-Net基于YOLOv8构建，融合了自适应空间特征融合策略和分组空间卷积（GSConv）模块，显著提升了多尺度斑点特征整合和受损叶片区域的有效处理能力。这一创新使GAF-Net能够在复杂的农业环境中表现出更优异的性能。为了解决高质量数据集的稀缺问题，我们构建了一个包含四种主要害虫和病害特征的集成图像数据集：北方玉米叶枯病、害虫损伤、褐斑病和霜霉病。实验结果表明，GAF-Net取得了出色的性能，平均精度（mAP_50）得分为80.8%（比基线模型提高了4.1%），mAP（50–95）得分为52.6%（提高了3.3%）。这些量化结果凸显了GAF-Net在应对玉米害虫和病害检测挑战方面的有效性，使其成为精准农业中的宝贵工具。

引言

玉米是一种具有全球重要性的粮食作物，其产量和质量直接影响粮食安全以及农业生产者的经济可行性[1]。作物的健康状况是决定其生产力和质量的关键因素。害虫和病害不仅会导致严重的产量损失，还可能引发大规模的作物歉收，对农业生产的可持续性构成严重威胁。传统的玉米叶害虫和病害检测方法主要依赖于农民的目视检查和专业知识[2]、[3]、[4]。这些方法不仅耗时且劳动强度大，还容易受到主观偏见的影响，从而影响检测的准确性和可靠性。此外，玉米害虫和病害的检测还受到类内变异、类间相似性以及叶片形态多样性的影响，这些都增加了准确识别的复杂性。鉴于这些挑战，关于玉米害虫和病害检测的研究仍然相对滞后，这凸显了迫切需要有效且可靠的方法来解决现代农业生产中的这一关键问题。