基于改进YOLO v8n算法的水稻叶片病害检测

来源：江苏农业科学杂志2026年第第4期北京时间：

作者：白林锋;郑恒;路凯;陈增俊;袁雅婧;田岩召;罗甜

单位：1.河南科技学院，河南新乡 453003； 2.许昌学院，河南许昌 461000

摘要：针对水稻病害检测中存在的识别精度不足、检测效率低下、目标定位偏差及冗余检测等问题，设计了一种基于YOLO v8n架构优化的叶片病害识别方案。通过3个核心改进策略实现了算法性能提升：首先，采用EfficientViT多尺度特征提取架构替代原主干网络，在保证特征表征能力的同时将计算复杂度尽可能降低；其次，在特征融合模块中集成压缩与激励注意力机制，通过动态通道权重调整强化关键特征传递；最后，创新性地应用序列化证据加权的交并比优化函数，有效提升边界框回归精度。经水稻病害数据集验证，优化后的模型在保持较高单帧处理速度的前提下，将检测准确率提升至95.32%，较基准YOLO v8n提升5.31百分点；mAP@0.5达97.14%。对比试验显示，该模型在检测速度上较YOLO v6快2.3倍，且边界框定位误差有所降低。本研究提出的轻量化改进方案，不仅为移动端设备部署高精度病害检测系统提供了可行路径，其引入的多尺度注意力机制与动态权重分配策略，也为农业图像处理领域的模型优化提供了新的技术参考方向。

关键词：深度学习;水稻病害检测;卷积神经网络;YOLO v8n;EfficientViT模块