基于协同模块的轻量化柑橘病害实时检测算法BD-YOLOv8及其在精准农业中的应用

为解决精准农业中自然环境下果实生长实时监测与病害识别的难题，研究人员开发了轻量化检测算法BD-YOLOv8。通过创新性提出图像边缘特征提取模块(IEFEM)、细节捕捉块(DC_Block)和BN分离参数共享检测头(BSPSDH)，该算法在保持98.2% mAP50 和149.6 FPS的高性能同时，实现了参数量减少42.4%、计算量降低27.2%的突破，为嵌入式设备部署提供了高效解决方案。

　　

在精准农业领域，实时监测自然环境中果实生长状态（涵盖病害防控与识别）是核心需求。针对现有检测算法参数量庞大、难以部署于嵌入式设备的痛点，这项研究提出了革命性的BD-YOLOv8轻量化架构。该方案通过三大协同模块实现精准定位：首先，创新的图像边缘特征提取模块(IEFEM)巧妙融合索贝尔(Sobel)卷积与空间信息卷积，显著提升图像内容提取能力；其次，细节捕捉块(DC_Block)通过多尺度特征融合机制，有效增强模型对微小病斑的感知精度；最后，设计的BN分离参数共享检测头(BSPSDH)通过卷积层参数共享策略，在保持98.2% mAP⁵⁰
超高精度的同时，将模型参数量压缩42.4%。实验数据显示，该系统每秒可处理149.6帧图像，计算量(GFLOPs)降低27.2%，模型体积缩小40.3%，为果园移动巡检机器人等边缘计算场景提供了突破性技术方案。