中文引用格式： 葉暉，項東暉，曾松偉. 基于深度學習的桑葉病害識別方法研究[J]. 電子技術應用，2025，51(3)：70-76.
英文引用格式： Ye Hui，Xiang Donghui，Zeng Songwei. Research on mulberry leaf disease recognition method based on deep learning[J]. Application of Electronic Technique，2025，51(3)：70-76.
引言
桑樹的種植在我國有著悠久的歷史和深厚的傳統文化底蘊[1]。作為世界上最早種植桑樹和養蠶的國家之一，蠶桑產業在中國的發展可以追溯到幾千年前的古代。但桑樹的生長和產量受到多種因素的影響，其中病害是最主要的危害因素之一。據農業農村部辦公廳發布的《2023年“蟲口奪糧”保豐收行動方案》[2]，2022年全國桑樹病蟲害發生面積約為1.1億畝次，同比增加15%。2022年全國因桑樹病蟲害致糧食損失約為140萬噸，占桑葉總產的11.4%。因此，及時準確地識別和防治桑樹病害，對于提高桑樹和蠶業的生產效率和經濟效益具有重要意義。傳統的桑樹病害識別方法主要依靠人工觀察和判斷，需要專業知識和經驗，耗時耗力且容易出現誤判和漏判[3-5]。隨著計算機視覺和深度學習技術的發展，利用圖像處理和機器學習方法進行桑樹病害識別成為一種新的可能。
近年來，大規模檢測模型在工業、農業等復雜場景應用中得到快速提升[6-8]。目標檢測的算法模型在農業中被廣泛應用，如趙德安[9]等人于2019年提出了改進的YOLOv3模型以識別復雜背景下的蘋果果實，其實驗識別準確率達97%，召回率為90%，相較于FasterRCNN的識別率高了5%。孫肖肖[10]等人于2019年提出使用大尺度識別替代YOLO的多尺度識別，在預處理階段提出結合超濾特征以及OSTU算法對復雜背景下的茶葉嫩芽圖像進行圖像分割，識別率達 84.2%，召回率為 82%。Chen[11]等人在2022年提出了一種用于橡膠樹病害檢測的改進型YOLOv5模型，該模型使用了新的InvolutionBottleneck模塊、SE模塊和EIOU損失函數以提升模型性能，該模型在59個作物病害類別上達到了平均94.24%的識別準確率，每個樣本的平均推理時間為1.563 ms，模型大小僅為2 MB。
目前，基于圖像處理和機器學習方法的桑樹病害識別已經有一些相關研究，但仍存在一些問題和挑戰。首先，由于桑樹病蟲害種類多、形態復雜、分布不均勻等原因，導致采集到的圖像數據量不足、質量不高、類別不平衡等問題，給模型訓練和測試帶來困難。其次，桑樹病害目標體積可能過小，例如桑褐斑病中的褐斑點，同時圖像背景可能過于雜亂。為了解決上述問題和挑戰，本文提出了一種基于YOLOv8的桑樹病蟲害識別方法，通過引入可變形卷積和注意力機制以提高YOLOv8s模型應對復雜背景和小體積目標時的識別能力，改善對桑葉病害的識別能力，最終實現自然環境下的桑葉病害的準確檢測，為桑葉病害識別的自動化、智能化提供理論依據。
本文詳細內容請下載：
http://www.cowatch.cn/resource/share/2000006362
作者信息：
葉暉1，項東暉2，曾松偉3
（1.浙江農林大學 數學與計算機科學學院，浙江 杭州 311300；
2.浙江易港通電子商務有限公司，浙江 寧波 315200；
3.浙江農林大學 光機電工程學院，浙江 杭州 311300）
