《Scientific Reports》：Deep learning framework for timely detection and classification of chili leaf diseases and pests
编辑推荐：
本研究针对辣椒种植中病虫害早期识别难题，开发了基于YOLO架构的深度学习检测系统。研究团队通过构建包含20个类别的2.88万张图像数据集，对比评估了YOLOv5/YOLOv7/YOLOv8模型性能，最终提出的改进型YOLOv8混合模型达到99.5% mAP的检测精度，为农作物病虫害智能监测提供了可靠技术方案。
在全球粮食安全面临严峻挑战的背景下，农作物病虫害导致的减产问题日益凸显。辣椒作为重要经济作物，其生产过程中常因病虫害的突发性造成严重经济损失。传统防治方法存在滞后性，亟需建立高效的早期识别体系。这项发表于《Scientific Reports》的研究正是基于此背景，开创性地将目标检测（object detection）技术应用于辣椒病虫害智能诊断领域。
研究团队采用深度学习方法，重点对比了三种先进的目标检测架构：YOLOv5（You Only Look Once version 5）、YOLOv7和YOLOv8。通过自主构建包含28,800张原始图像的数据集，覆盖20类常见病虫害特征，并经过图像增强（data augmentation）技术扩展至32,000张训练样本。实验采用平均精度均值（mean Average Precision, mAP）作为核心评价指标，系统评估了各模型性能。
关键技术方法包括：1）构建专业级辣椒病虫害图像数据库；2）采用数据预处理与增强技术优化样本质量；3）基于迁移学习（transfer learning）策略训练三种YOLO变体模型；4）设计新型混合架构整合各模型优势；5）通过五折交叉验证（5-fold cross-validation）确保结果可靠性。
研究结果：
- 1.
基准模型性能对比
实验数据显示，YOLOv8以95.1%的mAP值显著优于YOLOv5（86.1%）和YOLOv7（67.5%），展现出其在复杂背景下特征提取的优势。
- 2.
改进型混合模型设计
通过融合YOLOv5的轻量化特性、YOLOv7的特征金字塔优化机制以及YOLOv8的锚框（anchor-free）设计，新模型在保持实时检测速度的同时，将mAP提升至99.5%。
- 3.
消融实验验证
通过控制变量法验证了数据增强、注意力机制（attention mechanism）和损失函数（loss function）优化对新模型性能的贡献度，其中自适应特征融合模块使小目标检测精度提升12.3%。
结论与讨论：
本研究提出的改进型YOLOv8混合模型在辣椒病虫害检测任务中表现出近乎完美的识别能力（99.5% mAP）。该模型不仅解决了传统方法在早期微弱症状识别中的瓶颈，其轻量化设计更适于部署至移动终端设备。研究成果为构建农作物病虫害智能监测网络提供了技术范式，对推动精准农业（precision agriculture）发展、降低农药使用量具有重要实践价值。未来研究可进一步探索多模态数据融合与跨作物模型迁移的可行性。
