基于改进YOLOv10的桑叶田间病害叶片级检测方法

《Scientific Reports》：A task-adapted structurally reparameterized diverse-branch YOLO network for mulberry leaf disease detection

　　

摘要

桑叶病害会降低叶片产量和质量，进而直接影响养蚕业。在田间图像中检测病害症状颇具挑战性，因为病斑往往较小，且不同病害类型在视觉上的相似性较高。本研究提出了一种任务自适应的基于YOLOv10的检测器，该检测器集成了改进的多样分支特征提取模块（C2fDBN），并通过结构重参数化保持高效的推理能力。检测目标定义为整叶类别，而非单个病斑，以符合实际分类需求。实验在一个自采的桑叶田间数据集和一个独立的公开数据集上进行，两个数据集均标注了健康叶片和病害类别。在两个数据集上，所提出的检测器均取得了具有竞争力的性能，在mAP指标上经常超越或达到与强物体检测基线（YOLOv8、YOLOv9、YOLOv10、YOLOv11、YOLOv26、RT-DETR、Faster R-CNN）相当的性能，同时保持了相当的推理效率。这些结果表明，所提出的模型可以在所评估的数据集内支持叶片级别的田间巡查和农业决策。