基于SGD-YOLO模型的黄瓜霜霉病检测

来源：农业机械学报杂志2026年第2期北京时间：

作者：秦立峰，李博梾，林敬轩，李明，李栋青，宋怀波

单位：西北农林科技大学;农业农村部农业物联网重点实验室,西北农林科技大学;农业农村部农业物联网重点实验室,西北农林科技大学;农业农村部农业物联网重点实验室,北京市农林科学院;国家农业信息化工程技术研究中心,西北农林科技大学;农业农村部农业物联网重点实验室,西北农林科技大学;陕西省农业信息感知与智能服务重点实验室,

摘要：为实现复杂环境下黄瓜霜霉病快速定位和精准检测，针对黄瓜霜霉病小样本及小目标问题，基于YOLO v8n提出一种黄瓜霜霉病检测改进模型SGD-YOLO（SimAM Guide-Fusion Dysample-YOLO）。以黄瓜霜霉病叶片为研究对象，通过将显著性检测FT算法引导CutMix方法进行数据增强，结合迁移学习的训练方式，缓解样本数量少带来的过拟合影响。SGD-YOLO在YOLO v8n的基础上引入无参的轻量级模块SimAM（A simple, parameter-free attention module），加强重要特征传播，提高网络整体性能；并采用轻量动态上采样器DySample增强上采样行为，提升病害小目标检测效果；采用CGFM模块（Context guide fusion module）代替Concat模块，通过基于坐标注意力机制（Coordinate attention）实现更精准的多尺度特征融合，优化病害区域的特征提取；损失函数替换为WIoUv3，提供梯度增益分配策略，提高模型泛化性能。结果表明，在增强后的数据集上检测精确率较原数据集提高12.0个百分点，进行迁移学习后检测精确率进一步提高5.3个百分点；改进SGD-YOLO检测精确率为84.6%，平均精度均值（mAP50）达到93.9%，相较于原模型分别提高7.4、9.5个百分点。研究结果对于小样本情况下蔬菜病害检测方法具有较好借鉴作用。

关键词：黄瓜霜霉病;SGD-YOLO模型;注意力机制;小样本学习;目标检测

基金资助：国家重点研发计划项目（2023YFD1401200）