基于改進YOLOv8n算法的水稻葉病害檢測研究

中圖分類號：S126：S511 文獻標識號：A 文章編號：1001-4942（2025）09-0164-09

Research on Rice LeafDisease Detection Based on Improved YOLOv8n Algorithm

Liu Zhengfeng'，Yang Jiansheng1， Zhang Mei' ，Chen Zhe2， Zhang Qunying ² （1.Electrical Engineering College，Guizhou University，Guiyang 55Oo25，China ; 2. Guizhou Botanical Garden， Guiyang 550oo1， China）

AbstractRice leaf disease detection is one of the important ways to reduce disease risk and stabilize rice yield.In response to the problems of large parameter size，high computational complexity，and low accuracy in existing rice leaf disease detection models，this study proposed an improved YOLOv8n model. First，the backbone network of the original YOLOv8n was replaced with a lightweight HGNetv2 architecture，and the Conv module in the HG-Block was replaced with a Ghost module，improving detection accuracy while reducing model size.Next，the residual blocks in the C3 module were replaced with Ghost Botleneck to creating a new C3Ghost module，which was used to replace all C2f modules in the neck，further reducing model size while maintaining model performance.Finally，a dense prediction channel knowledge distilation technique was employed to enhance the model in a lossess manner.Experimental results indicated that compared with the baseline model ΥOLOv8n ，the proposed improved model reduced the parameter size，weights，and floating-point operations by 39.33% ， 37.00% ，and 28.40% ，respectively，while achieved precision and recall of 94.3% and （204號 95.6% ，and mAP of 96.7% ， significantly outperforming the baseline model. Overall， the proposed improved model could meet the demands for accuracy and lightweight design in rice leaf disease detection tasks in agricultural scenarios， demonstrating good development potential and application prospects.

KeywordsRice leaf disease detection; ΥOLOv8n ; Model lightweighting;HGNetv2; Knowledge distillation

水稻作為全球主要的糧食作物之一，產量水平直接關系到多數人口的溫飽問題[1-2]，因此，及時監測預報和防治病害對維護糧食安全至關重要。準確識別農作物病害能夠幫助種植戶及時辨識和防治病害，提高作物產量和質量。自然環境下水稻葉病害特征復雜，而傳統的農作物病害識別方法主要依賴于農民或植物病理學家的經驗和知識，耗時長、主觀誤差大[3]。隨著深度學習和機器視覺技術的進步，利用其進行水稻葉病害的自動監測及快速準確診斷，成為當下研究的熱點[4-5]。

目前主流的目標檢測算法分為兩類：一類是基于區域建議框預測的二階段算法，例如R-CNN。Zhou等基于Faster _R-CNN 方法對水稻病害快速檢測，精確率達 97.2% ;Bari等［7]引入一種增強的Faster _R-CNN 方法對葉片病害進行高效檢測，精確率達 98.7% 。另一類是基于回歸問題的一階段算法，例如 SSD 和YOLO。Chen 等[8]在原有YOLOv5網絡基礎上開發了一種增強的植物病害識別模型，精確率為 86.7% ;Kumar等[9]提出了一種基于YOLOv5的雙向特征注意力金字塔網絡對水稻葉病害檢測，精確率達 94.8% 。比較來看，R-CNN系列算法在精確率上比YOLO系列更具優勢。然而，由于高昂的計算成本，R-CNN算法并不適合部署在使用移動設備的場景中。相比之下，YOLO系列以簡單高效的設計更適合部署在復雜的農業場景中，而且隨著YOLO系列的不斷發展，算法的精確率也在不斷提高[10-11]。

為應對水稻葉病害檢測中面臨的各種挑戰，本研究聚焦于模型的參數量、精確率、檢測效率等方面，提出一種基于改進YOLOv8n的輕量級水稻葉病害檢測算法，在提高精確率的同時降低算法的復雜度，而且適合于移動端部署，以期為農作物病害檢測提供新的方法支持

1 材料與方法

1.1 數據來源

本研究所用數據集來源于飛槳平臺，該平臺提供了豐富的圖像資源，針對水稻葉這一目標，我們選取Blast（稻瘟病）、Blight（枯萎病）、BrownSpot（褐斑病）DeadHeart（枯心病）、Downy（露珠病）、False（假煙病）、SheathBlight（鞘病）、Streak（葉紋病）和Tungro（東南亞稻田病）9種水稻葉病害圖像構建數據集。所選圖像均基于復雜農田環境下拍攝，并剔除光照不足、強光、逆光以及水稻葉模糊圖像，最終共收集水稻葉圖像53138張，分辨率為 640×640 像素。

1.2 數據集構建

將搜集的水稻葉病害圖像按照 8：1：1 劃分訓練集、驗證集、測試集，其中，訓練集圖像42511張，水稻葉病害框目標136608個；驗證集圖像5312張，水稻葉病害框目標18030個；測試集照片5315張，水稻葉病害框目標18051個。各數據集中病害種類分布見表1，各種病害示例見圖1。

表1數據集中不同類水稻葉病害圖像的數量分布

1.3 算法改進

YOLOv8是YOLO 系列中較新的版本之一，該算法采用更深的網絡架構和多尺度特征策略，在目標檢測領域展現出良好的檢測精度和速度[12-13]，而且其具有出色的可讀性和拓展性，能夠高效地在各種硬件平臺上運行。根據網絡深度和寬度的不同，YOLOv8算法分為 n，s，m，l，x 五種類型，其中YOLOv8n是最小的算法。目前，ΥOLOv8n 算法在目標檢測領域已取得不錯的成效[14]，但其在農作物病害檢測領域仍面臨諸多挑戰，如大量參數導致的計算成本增加、檢測小目標時表現不佳以及容易出現漏檢或誤檢等情況。

圖19種水稻葉病害示例圖像

為了解決上述問題，本研究引入輕量級架構HGNetv2[15]對 ΥOLOv8n 的主干網絡進行替換，并設計Ghost HG-Block 模塊替換 HGNetv2中的HG-Block，設計C3Ghost模塊替換頸部網絡中的所有C2f模塊，同時應用知識蒸餾技術，實現了水稻葉病害檢測模型的高效輕量化以及檢測精度的提高。改進YOLOv8n網絡見圖2。

1.3.1 HGNetv2網絡及GhostHG-Block模塊HGNetv2作為一種深度神經網絡模型，主要思想是利用層次化的方法來提取特征，并采取輕量級的設計策略以及使用深度卷積（Depthwiseconvo-lution，DWConv）[16]，從而減少模型的參數量以及計算復雜度。HGNetv2架構如圖3所示，整體由4個HG-Stage 構成，每個HG-Stage 主要由包含大量標準卷積的HG-Block 構成。

本研究采用輕量級的HGNetv2替換ΥOLOv8n 的主干網絡。另外，為了在保持較低參數量的同時實現與普通卷積層相當的提取能力，本研究進一步采用Ghost模塊替換HG-Block中的卷積層，設計了GhostHG-Block 模塊，如圖4所示，用其替換原HGNetv2網絡中的HG-Block模塊。

1.3.2C3Ghost模塊GhostNet[17]是—種專為移動設備應用而設計的輕量級神經網絡模型，其核心組件是一種新穎的即插即用的Ghost模塊（圖5）。該模塊的設計理念是利用更少的參數生成更多的特征圖，為此，將其輸出通道分成兩部分（通常為對半分），一部分是常規卷積，另一部分是分組卷積，對每個分組卷積通道的特征圖進行線性變換操作獲得Ghost特征圖。這種獨特設計使得GhostNet在保持輕量化的同時展現出良好的性能。

Ghostbottleneck是一種輕量級的卷積網絡模塊，常用于替代傳統的殘差塊。一個Ghostbottle-neck模塊中包含兩個Ghost模塊（圖6），旨在使通道數擴展和壓縮之間達到一種平衡，從而優化模型的性能和效率。具體而言，第一個Ghost模塊用于增加通道數，并指定輸出通道數與輸入通道數之間的比例為擴張比；第二個Ghost模塊則用于減少通道數，以匹配殘差分支的通道。另外，當步長為2時，還會在兩個Ghost模塊之間插入一個步長為2的深度卷積層，以適應不同網絡結構的需要。通過先升維后降維的設計，Ghost bot-tleneck模塊在保持一定性能的同時顯著降低了計算復雜度和參數量，使其便于在資源受限的環境中部署和應用

圖2改進 ΥOLOv8n 網絡結構

圖3 HGNetv2架構

圖4Ghost HG-Block 模塊

為了在保持模型性能的同時進一步輕量化模型，本研究又通過用Ghostbottleneck模塊替換C3的殘差塊設計了C3Ghost模塊（圖7），然后用C3Ghost模塊替換YOLOv8n頸部網絡的C2f模塊。C3Ghost模塊很好地繼承了Ghostbottleneck模塊的優點，即較少的參數量及較低的計算成本和網絡冗余性，實現了在保證高效提取圖像特征的同時對網絡進一步輕量化。

1.3.3知識蒸餾Hinton 等在2015 年提出了一種用于模型壓縮和遷移學習的技術即知識蒸餾，由知識、蒸餾算法和師生架構三個關鍵部分組成[18-19]，如圖8所示。該技術通過不斷訓練簡單模型（學生模型）使其達到接近甚至超越復雜模型（教師模型）的性能，以便學生模型能夠在保持高性能的同時具有更小的模型體積和計算成本。

圖5 Ghost模塊

圖6步長不同時的Ghostbottleneck模塊

圖7 C3Ghost模塊

圖8 知識蒸餾

本研究將改進 YOLOv8n 算法經過密集預測的通道式知識蒸餾[20]，以達到在處理水稻葉病害目標檢測任務時更具優勢。選取參數更多且精度更高的YOLOv8s作為教師模型，改進后的YOLOv8n作為學生模型，并對兩者做相同的改進。改進的算法在經過知識蒸餾后網絡參數量未增加，但檢測精度有所提升。

1.4實驗環境和參數配置

在訓練初期設定學習率為0.01，并利用余弦退火策略[21]來調整學習率，使其隨著訓練進度逐漸降低；整個訓練過程計劃進行100個訓練周期，每個周期批量處理32個樣本。為避免訓練早期由于學習率較高可能導致的過擬合現象，實施預熱學習率策略，設定3個周期的預熱期。為進一步提升模型的泛化能力，在訓練的最后10個周期中，選擇停止使用Mosaic數據增強技術[22]。該策略有助于模型在接近訓練結束時更好地實現在實際數據上的收斂，并減少由Mosaic技術的引入所造成的誤差。此外，實驗環境配置如表2所示。

1.5 評價指標

采用精確率（Precision，P）召回率（Recall，R）、參數量（Parameters）權重（Weights）、浮點運算次數（FLOPS）和平均精度均值（mAP）等作為模型性能評價指標。其中，FLOPS是衡量算法在執行過程中所需浮點運算量的指標，通常情況下，浮點運算量越大，算法執行所需的時間和計算資源就越多。精確率表示模型預測正確且實際正確的比例，召回率是常用于評價分類模型性能好壞的指標之一，表示模型在所有實際正類中成功識別的比例。以TP表示模型預測為正類的正樣本，TN表示模型預測為負類的負樣本，FP表示模型預測為正類的負樣本，FN表示模型預測為負類的正樣本，則精確率和召回率的計算公式見式（1）和（2）。

表2實驗環境配置

然而，精確率和召回率互相制約，追求高精確率會導致召回率過低，而追求高召回率會導致精確率過低。在目標檢測問題中，由于每個圖像可能包含多個類別的目標，并且需要評估模型的定位型和目標分類，因此，僅用精確率和召回率作為評價指標不能直接適用評估模型解決圖像分類問題的效果。AP是分類任務的平均精度，mAP是多個分類任務平均精度的平均值，兩者值越大表示模型精度越好。用 m 表示數據集中正樣本的總數量， n 表示類別總數， r 表示預測結果的排列序號， ΔP_r 表示第 r 個預測樣本的精確率，則兩者計算公式如下：

2 結果與分析

2.1 消融實驗

為探究本研究提出的改進策略對模型性能的影響和貢獻程度，在相同的環境和參數配置下進行了一系列的消融實驗。從表3可以看出，YOLOv8n作為基線模型已展現出較好的精確率和識別精度，而各項改進策略均明顯提高模型的mAP，降低參數量、權重和FLOPS。對比B與C組，C組通過采用Ghost模塊改進B組的卷積層，在維持模型識別精度的同時進一步減少了參數量和計算成本。僅引入C3Ghost模塊（D組），相比基線模型雖然參數量、權重和FLOPS有所減少，但精確率略有下降；而在結合GhostHG-Block模塊后（F組），參數量、權重和FLOPS大幅下降，相比基線模型分別降低 39.33% ） .37.00% 和 28.40% ，而精確率、召回率、 mAP 分別提高 1.9，1.4，1.1 個百分點。對比F組與G組，網絡改進后再經過知識蒸餾，能在保證參數量、權重、FLOPS不增加的同時提升精確率、召回率和mAP，分別達到94.9% ） 96.0% 、 96.7% 。總體而言，對于水稻葉病害檢測任務，本研究提出的改進策略既能大幅輕量化模型，又能明顯提高模型性能，證明了這些改進策略的有效性。

表3消融實驗結果

為更好地比較算法改進前后的性能差異，對訓練過程中的總損失和mAP隨迭代次數的變化進行對比分析（圖8）。整體而言，算法改進前后的總損失變化趨勢非常相似，但改進YOLOv8n總損失始終低于原始版本；而改進 ΥOLOv8n 的mAP始終領先于原始版本，尤其是在迭代次數為30～100 時優勢更加明顯，能夠提供更高的識別精度，從而提升系統的實用性和效果

2.2 與其他模型的對比實驗

為驗證本研究提出的改進YOLOv8n算法在水稻葉病害檢測任務中的有效性，選擇 YOLOv5n 、YOLOv6n、YOLOv7-tiny YOLOv8n 與其在相同訓練環境與參數配置下進行對比實驗。由表4可知，改進YOLOv8n的參數量、權重和FLOPS略高于YOLOv5n，但明顯低于其他3種模型，表明改進YOLOv8n的輕量化效果顯著。改進YOLOv8n的精確率、召回率和mAP明顯優于其他模型，分別提升 1.8～7.4，1.9～6.3， 1.4～4.0 個百分點。總體而言，改進YOLOv8n能在保持輕量化網絡的同時，也取得較好的識別效果，這使其在水稻葉病害檢測任務中具有顯著的競爭優勢。

圖9訓練時的總損失與mAP隨迭代次數的變化趨勢

表4改進 YOLOv8n 與其他模型的對比實驗結果

圖10 識別結果可視化

2.3 識別結果可視化

分別使用原始YOLOv8n和改進 YOLOv8n 算法在同一測試集上進行水稻葉病害目標檢測，結果如圖10所示。可以看出，在（a）列中，兩個算法都正確檢測到了病害對象，且改進YOLOv8n算法的置信度高于原始YOLOv8n算法。在（b）和（c）列中，原始 ΥOLOv8n 算法都存在一個漏檢對象，而改進YOLOv8n算法正確識別了所有對象。在（d）列中， YOLOv8n 算法在水稻葉背景復雜的情況下同時出現了漏檢和誤檢，而改進算法很好地改善了這一情況。整體而言，改進 YOLOv8n 模型在復雜背景和涉及小目標的場景下展現出增強的泛化能力，有效減少了密集和遮擋小目標的漏檢和誤檢情況，同時也提高了精確率。

3 結論

本研究在 ΥOLOv8n 算法的基礎上，提出了一個改進YOLOv8n水稻葉病害檢測模型，能在實現模型輕量化的同時，明顯改善水稻葉病害檢測中容易出現漏檢、誤檢以及檢測準確度低等情況，適用于移動端和邊緣設備上的部署。

消融實驗和對比實驗結果表明，改進后的算法實現了 96.7% 的 mAP ，而參數量、權重和FLOPS分別比基線模型降低 39.33%.37.00% 和 28.40% ，實現了檢測性能和模型輕量化之間的平衡。同時，相較于YOLO系列的其他算法也具有一定優勢，證明了本研究所提改進策略的有效性。此外，在水稻葉病害檢測任務上的測試結果表明，改進算法改善了水稻葉病害錯誤識別和遺漏的情況，精確度也有所提升。

整體而言，本研究所提改進YOLOv8n算法是專門為水稻葉病害檢測而設計的，在模型性能和算法復雜度之間取得了良好的平衡，其輕量級架構與強大的檢測性能相得益彰，能滿足大面積農田場景下水稻葉病害識別任務對識別精度和輕量化的需求。未來的研究工作將根據實驗和場景的需求，增加病害類別以進一步提高算法的魯棒性和泛化能力，并探索將該算法應用于其他領域的可行性。

參考文獻：

[1］溫小紅，謝明杰，姜健，等.水稻稻瘟病防治方法研究進展 [J].中國農學通報，2013，29（3）：190-195.

[2］黃欣樂，鄭百龍.產量及面積視角的中國水稻生產變動[J]. 江蘇農業科學，2020，48（2）：311-316.

［3］陳藝娟.水稻綠色栽培技術及病蟲害防治[J].種子科技， 2023，41（21） ：56-58.

[4］臧賀藏，趙晴，周萌，等.基于YOLOv5s 模型的小麥品種 （系）穗數檢測[J].山東農業科學，2022，54（11）：150-157.

［5］陳浪浪，張艷.基于改進深度卷積神經網絡的水稻病蟲害 識別[J].山東農業科學，2023，55（5）：164-172.

[6]Zhou G X，Zhang W Z，Chen A B，et al. Rapid detection of rice disease based on FCM-KM and faster R-CNN fusion[J]. IEEE Access，2019，7：143190-143206.

[7]Bari B S，Islam M N，Rashid M，et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster RCNN framework[J]. PeerJ Computer Science，2021，7：e432.

[8]Chen Z Y，Wu R H，Lin Y Y，et al. Plant disease recognition model based on improved YOLOv5[J]. Agronomy，2022，12 （2） ：365.

[9]Kumar V S，Jaganathan M，Viswanathan A，et al. Rice leaf disease detection based on bidirectional feature attention pyramid network with YOLO v5 model[J]. Environmental Research Communications，2023，5（6） ：065014.

[10]Farooq J，Muaz M，Khan Jadoon K，et al. An improved YOLOv8 for foreign object debris detection with optimized architecture for small objects[J]. Multimedia Tools and Applications，2023， 83：60921-60947.

[11] Xiao B J，Nguyen M，Yan WQ. Fruit ripeness identification using YOLOv8 model[J]. Multimedia Tools and Applications， 2024，83（9） ：28039.

[12]Quach L D，Quoc K N，Quynh A N，et al. Tomato health monitoring system： tomato classification，detection，and counting system based on YOLOv8 model with explainable MobileNet models using Grad-CAM ++ [J]. IEEE Access，2024，12：9719- 9737.

[13]Chen JD，Zhang DF，Nanehkaran Y A，et al. Detection of rice plant diseases based on deep transfer learning[J]. Journal of the Science of Food and Agriculture，2020，100（7）： 3246- 3256.

[14]Uddin MS，Mazumder M K A，Prity AJ，et al. Cauli-Det： enhancing cauliflower disease detection with modified YOLOv8 [J]. Frontiers in Plant Science，2024，15：1373590.

[15]Lv W Y，Xu S L，Zhao Y A，et al. DETRs beat YOLOs on realtime object detection[C]//2O24 IEEE/CVF Conference on ComputerVision and Pattern Recognition （CVPR）.IEEE， 2024：16965-16974.

[16] Chollet F.Xception：deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition.2017：1251-1258.

[17]HanK，WangYH，TianQ，etal.Ghostnet：more features from cheapoperations[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.IEEE， 2020：1577-1586.

[18]Gou JP，YuB S，Maybank SJ，et al.Knowledge distillation：a survey[J].International Journal ofComputerVision，2O21，129 （6）：1789-1819.

[19]Chai D，Wu W，Han Q H，et al.Description based text classificationwith reinforcement learning[C]//Proceedings ofthe 37th International Conference on Machine Learning. JMLR， 2020：1371-1382.

[20]Shu C Y，Liu Y F，Gao JF，et al. Channel-wise knowledge distillation for dense prediction[C]//Proceedings of the IEEE/ CVFInternational Conference on Computer Vision. IEEE， 2021：5311-5320.

[21]LoshchilovI，HutterF.SGDR：stochastic gradient descent with warmrestarts[J/OL]. arXiv：1608.03983[cs.LG]，2016.https：//doi.org/10.48550/arXiv.16080.03983.

[22]Wang H，Song Z L. Improved mosaic：algorithms for more compleximages[C]//2020人工智能、網絡與信息技術國際學 術會議論文集.2020：1-8.