《PLOS One》：Spatial-aware lightweight network for real-time tea disease detection: A coordinate attention-enhanced YOLOv8n approach with path-decoupling strategy
编辑推荐：
茶叶病害的智能识别对于确保茶叶质量和减少茶产业经济损失至关重要。然而，由于检测精度与计算开销之间的冲突，在边缘设备上部署深度学习模型仍然具有挑战性。为了解决这一问题，研究人员提出了CA-YOLOv8n，一种专为茶叶病害诊断定制的轻量级目标检测模型。具体而言，研
茶叶病害的智能识别对于确保茶叶质量和减少茶产业经济损失至关重要。然而，由于检测精度与计算开销之间的冲突，在边缘设备上部署深度学习模型仍然具有挑战性。为了解决这一问题，研究人员提出了CA-YOLOv8n，一种专为茶叶病害诊断定制的轻量级目标检测模型。具体而言，研究人员引入了一种路径解耦（Path-Decoupling）策略来精简网络结构，并集成了坐标注意力（Coordinate Attention, CA）机制以增强模型对细微病理特征的空间感知能力。实验结果表明，与基线YOLOv8n相比，该模型实现了98.89%的平均精度（mAP@50），同时参数数量减少了32.6%，FLOPs减少了24.1%。该模型被集成到一个具有自动报告界面的诊断平台中，证明了在资源受限的农业环境中，在普通CPU硬件上实现实时茶叶病害识别是可行的。
茶叶病害的智能识别对于保障茶叶品质和降低茶产业经济损失至关重要。然而，深度学习模型在边缘设备上的部署面临检测精度与计算开销之间的冲突，现有方法如YOLOv8n存在空间信息稀释和注意力机制缺乏位置编码的问题，导致对细微病变（如早期白斑）的漏检。针对这一挑战，研究人员在《PLOS One》上发表了CA-YOLOv8n，一种结合坐标注意力（Coordinate Attention, CA）和路径解耦（Path-Decoupling）策略的轻量级目标检测模型。该模型在公开数据集（figshare，9,591张茶叶病害图像，涵盖8个类别，包括茶黑腐病、茶褐斑病、茶叶锈病、茶红蜘蛛、茶蚊虫、健康茶叶、茶白斑病及残余病害类）上训练和评估，实现了98.89%的mAP@50，参数减少32.6%，FLOPs减少24.1%，并在CPU硬件上达到实时推理，为资源受限的农业环境提供了可行的现场诊断方案。
**主要关键技术方法**（不超过250字）：数据集来源于figshare，由Tencent Developer Community和Roboflow处理，按YOLO格式划分为训练集（7,260张）、验证集（784张）和测试集（1,547张）。模型基于YOLOv8n骨干网络，在骨干末端集成坐标注意力（CA）模块，将二维全局池化分解为两个一维池化（水平和垂直），生成方向感知注意力图，增强空间定位。采用路径解耦策略，用Streamlined-Neck替代标准PAN-FPN颈部，直接路由P3、P4、P5特征到检测头，减少参数冗余。训练使用YOLOv8n预训练权重，输入640×640，批量16，150轮，优化器采用Ultralytics自动策略（学习率0.01，动量0.937，权重衰减5×10
-4），并应用Mosaic增强。硬件平台为Kaggle双NVIDIA Tesla T4 GPU。
**研究结果**（保留每个小标题，简要说明通过什么研究得出什么结论）：
**4.1 Monitoring of training process and convergence analysis**: 通过训练和验证损失曲线以及测试集上的精确率-召回率（P-R）曲线发现，模型在40轮内快速收敛，mAP@50达到98.89%，表明坐标注意力（CA）模块提供了特征锚定，Mosaic增强有效缓解了空间过拟合。
**4.2 Confusion matrix and classification detailed analysis**: 在独立测试集上的归一化混淆矩阵显示，7个特定病害类别的真正率（True-Positive rate）均≥0.94，其中茶黑腐病、健康茶叶和茶白斑病达到1.00。背景区域误报主要偏向于训练样本多的类别（如茶蚊虫占52%），表明模型保留了高召回率但继承了类别不平衡偏差。
**4.3 Performance comparison and visualization analysis**: 定性对比表明，CA-YOLOv8n在阴影和光照干扰下比基线YOLOv8n更准确，减少了误检。定量指标显示，mAP@50从97.11%提升至98.89%（+1.78 pp），召回率从0.974提升至0.986（+1.21 pp），mAP@50-95提升1.84 pp，F1分数从0.923升至0.966，CPU延迟从63.62 ms降至51.39 ms（-19.2%）。计算效率分析表明，参数减少32.6%，GFLOPs减少24.1%，与YOLOv10n相比，参数减少74.8%，GFLOPs减少49.8%，CPU速度提升3.48倍。
**4.4 Ablation study**: 通过2×2消融实验（Baseline、+CA only、+PD only、CA-YOLOv8n）发现，单独路径解耦（PD）使参数减少32.6%，GFLOPs减少24.3%，同时mAP@50提升至99.00%；单独坐标注意力（CA）提升精确率（+9.4 pp），但导致稀有类别（茶褐斑病）召回率降至0，原因是阈值敏感性；两者结合（CA-YOLOv8n）完全解决了阈值不稳定问题，实现了最高召回率（0.986）和mAP@50-95（76.26%），证明了CA与PD的互补性。
**4.5 System implementation and application demonstration**: 系统基于Gradio框架实现，支持动态置信度阈值调整（默认0.25以优先召回率），提供智能诊断报告，包括类别置信度分布和对应管理策略，验证了在CPU硬件上的实时部署可行性。
**总结讨论部分**：消融实验证实了坐标注意力（CA）和路径解耦（PD）的互补效应——CA增强空间定位但引入阈值敏感性，PD简化结构并恢复召回率稳定性，两者结合达到最佳平衡。模型在复杂背景（阴影、光照）下表现出鲁棒性，但受限于数据集类别不平衡，稀有类别（茶褐斑病，训练样本仅4个）和残余病害类（无测试样本）的诊断可靠性有限。系统在CPU上的低延迟（51.39 ms）和参数效率（2.03 M）表明其适用于边缘部署，但跨数据集泛化、INT8量化及多模态大模型集成是未来方向。
**翻译研究结论部分**：研究人员提出了CA-YOLOv8n，一种轻量级茶叶病害检测器，它将坐标注意力（Coordinate Attention）作为空间感知注意力块，并与基于YOLOv8n骨干的路径解耦流线型颈部（Path-Decoupling Streamlined-Neck）相结合。在公开的9,591张茶叶病害图像数据集（8个类别）上训练和评估，该模型产生了两个主要结果。第一，架构重新设计：移除YOLOv8n的完整PAN-FPN颈部，代之以单个坐标注意力块（位于最深骨干特征P5），使参数从3.01 M减少至2.03 M（-32.6%），GFLOPs从8.20降至6.22（-24.1%），同时mAP@50从97.11%提升至98.89%（+1.78 pp），mAP@50-95从74.42%提升至76.26%（+1.84 pp）。第二，互补模块效应：四变量控制消融显示，坐标注意力提高了精确率，但表现出置信度阈值敏感性，导致最稀有类别（茶褐斑病）的召回率降至零，而路径解耦降低了参数和延迟，且无此召回率不稳定性。组合后的CA-YOLOv8n恢复了CA的精确率提升，同时保留了PD的召回率稳定性和轻量级特性。
