基于YOLOV8-CMS深度学习模型的柑橘叶片病害智能分类与分级系统研究

本研究针对柑橘产业中叶片病害严重影响生产效率和果实品质的问题，开发了基于改进YOLOV8框架的YOLOV8-CMS深度学习模型。该模型通过集成CSPPC模块、MultiDimen注意力机制和SpatialConv卷积结构，实现了对5类常见柑橘病害（黄龙病HLB、溃疡病、煤烟病等）的自动化检测，分类准确率达97.9%，mAP50达98.2%。创新性结合SAM图像分割技术，首次实现基于像素比的病害严重程度分级（I/II/III级），为精准农业中的病害管理提供了高效解决方案。

　　

柑橘作为全球最重要的经济作物之一，其产业发展正面临叶片病害的严峻挑战。传统依靠人工观察的病害诊断方法效率低下，而实验室病理检测又存在周期长、成本高的问题。尽管基于机器学习的检测技术有所发展，但在处理复杂田间环境时仍面临模型泛化能力不足、计算资源消耗大等瓶颈。特别是在多病害联合识别和严重程度量化评估方面，现有方法尚未形成系统解决方案。

针对这些挑战，广西师范大学等机构的研究团队在《Plant Methods》发表了创新性研究成果。该研究通过整合公开数据集和自主采集的17,723张高分辨率柑橘叶片图像，构建了覆盖5类主要病害的标准化数据库。技术方法上，首先采用SwinIR图像恢复技术提升数据质量，随后开发了集成CSPPC（跨阶段部分卷积）、MultiDimen（多维度注意力）和SpatialConv（空间卷积）三大模块的YOLOV8-CMS模型。为量化病害严重度，创新性引入Segment Anything Model(SAM)实现叶片与病斑的像素级分割，建立基于面积比的客观分级标准。

健康与染病叶片分类任务
通过PR曲线和混淆矩阵分析显示，模型在二分类任务中mAP₅₀达到98.2%，其中健康叶片识别准确率98.6%。相比YOLOv5等基线模型，参数量减少77%的同时训练时间缩短51%。

多病害分类实验
在六分类任务中，模型对黄龙病(HLB)的识别准确率高达99.4%，锌缺乏症和潜叶蛾等病害分类精度均超98%。消融实验证实，移除MultiDimen模块会使mAP₅₀下降1.6个百分点，凸显多尺度特征融合的重要性。

病斑分割与分级
基于SAM的分割系统在叶片分割任务中Dice系数达0.992，病斑分割精度81%。建立的像素比分级标准（I级≤1%，II级1-4%，III级>4%）与国家标准吻合度达89%。

该研究的突破性在于首次实现柑橘病害"检测-分类-分级"全流程自动化。YOLOV8-CMS模型通过轻量化设计（13.4MB）适配移动设备部署，SAM分割技术克服了传统病斑边缘模糊的识别难题。研究者指出，未来通过与农业物联网(IoT)结合，可构建实时监测系统。当前局限在于对重叠病斑的分割精度有待提升，后续计划引入边缘计算架构优化小目标检测性能。这项技术不仅适用于柑橘产业，其模块化设计思路为其他农作物病害智能诊断提供了普适性框架，标志着深度学习在精准农业应用中的重要进展。