基于先进图像处理与YOLOv8的作物病害识别方法研究及其在精准农业中的应用

《Food Science & Nutrition》：An Effective Approach for Recognition of Crop Diseases Using Advanced Image Processing and YOLOv8

本文系统综述了结合先进图像处理技术与YOLOv8深度学习模型在作物病害识别领域的创新应用。研究通过局部对比度增强、小波变换、中值滤波等预处理方法优化图像质量，并采用迁移学习策略在包含32类病害的混合数据集上实现高效分割与分类。模型展现出卓越性能（准确率92.567%，召回率0.94），为早期病害诊断提供可靠技术支撑，对降低作物损失、推动精准农业发展具有重要意义。

　　

摘要

作物病害对全球粮食安全构成严重威胁，传统检测方法存在效率低、泛化性差等局限。本研究提出一种融合先进图像处理与YOLOv8深度学习模型的病害识别框架，通过中值滤波等预处理技术提升图像质量（PSNR达38.835，MSE降至22.871），并利用迁移学习在包含6类作物、32种病害的混合数据集上实现病灶分割与分类。模型在召回率0.94、准确率92.567%的性能指标下显著优于传统方法，为农业智能化管理提供新思路。

1 引言

农业作为全球经济支柱产业，作物病害导致的产量损失可达总产量的三分之一。传统依赖人工观察的病害诊断方式效率低下，而深度学习技术（如CNN、Vision Transformer）在图像识别领域的突破为病害自动化检测带来可能。本研究聚焦番茄、咖啡、小麦等经济作物，通过构建大规模病害图像数据集，结合YOLOv8模型的多尺度特征提取能力，实现病害的精准定位与分类。

2 文献综述

现有研究多采用预训练模型（如VGG-16、ResNet-50）进行病害分类，但存在数据集规模有限、模型泛化能力不足等问题。例如，Pantazi等人利用支持向量机（SVM）结合图像分割技术达到95%准确率，但模型依赖高质量标注数据。本研究通过对比不同预处理算法与模型架构，验证了YOLOv8在复杂背景下病害检测的优越性。

3 方法论

3.1 数据集

研究整合PlantVillage、AI-Hub等公开数据集，涵盖棉花细菌性角斑病、小麦褐锈病等32类病害，每类包含500张经数据增强处理的图像，确保样本平衡。

3.2 预处理

对比9种图像增强技术（如伽马校正、小波变换）后发现，中值滤波在保留边缘信息的同时有效降噪（PSNR提升至38.835）。定量分析通过均方误差（MSE）和峰值信噪比（PSNR）评估处理效果。

3.3 分割与检测

采用YOLOv8-large架构进行病灶分割，通过凸包算法勾勒病斑轮廓。训练过程中，损失函数（如box_loss、cls_loss）持续下降，模型在交并比（IoU）阈值0.5时mAP达0.70，显示优异的分割精度。

4 结果

4.1 分割性能

模型对黄瓜白粉病、番茄花叶病毒等病害的分割掩码精度达0.638（mAP_50-95），混淆矩阵显示多数类别分类准确，仅少数相似病症存在误判。

4.2 检测与分类

YOLOv8在检测任务中召回率提升至0.94，精确度-召回曲线显示模型在置信度0.278时F1分数最优（0.59）。与现有模型对比（如ResNet-50准确率79.83%），本研究模型准确率提升约13个百分点。

5 结论

本研究验证了YOLOv8模型在多类别作物病害识别中的有效性，其高精度与实时性为田间病害监测提供实用工具。未来工作将拓展至多光谱图像分析，以进一步提升模型在复杂环境下的鲁棒性。