基于改进YOLO v10的水稻叶片病害识别研究

来源：江苏农业科学杂志2026年第第4期北京时间：

作者：贾丹;明米娜;雷蕾;周锐;侯金亮

单位：1.驻马店职业技术学院，河南驻马店 463000； 2.河南财经政法大学，河南郑州 450046； 3.河南农业大学信息与管理科学学院，河南郑州 450003； 4.郑州大学信息工程学院，河南郑州 450001

摘要：在复杂的水稻叶片病害识别场景中，由于受光照变化、叶片遮挡以及病害种类繁多等多重因素的干扰，传统检测算法难以兼顾精度与效率，制约了实时监测和现场应用。提出了一种基于改进YOLO v10的高效检测算法，以提高模型对水稻叶片病害的识别准确度。首先设计RepNMSC结构，在特征提取层对原有C2f模块进行了优化，使模型在处理多尺度病害特征时具有更好的适应性。随后，在特征融合阶段引入ERepGFPN结构，该结构利用跨层连接技术，有效平衡高层语义信息与低层空间信息，增强病害特征的融合表示能力。在检测头设计上，对YOLO v10原有的结构进行了改进，新增P2小目标检测头并移除P5大目标检测头，以提升对水稻叶片上小病害目标的检测精度。同时，为加速模型训练的收敛速度并提升定位精度，提出MPDIoU损失函数，该损失函数通过引入缩放因子和梯度增益策略，充分调动模型在训练过程中对边界框定位的敏感性。结果显示，与原版YOLO v10模型相比，改进后的算法平均识别精度约提高5.7百分点，最终达到94.1%的高精度水平。此外，与目前主流的目标检测算法如YOLO v5s、YOLO v7-tiny、YOLO v8n以及YOLO v9-tiny相比，本研究模型不仅在检测精度上具有明显优势，而且体积更小、计算量更低，在实时检测性能上表现出色，能够较好地适应实际现场复杂环境下的检测任务。

关键词：水稻病害识别;YOLO v10;目标检测;特征融合;实时检测