基于改进SAS-YOLOv8的水稻病害检测

导读水稻病害的快速准确检测对保障粮食安全和实现智慧农业具有重要意义。本文提出一种基于改进YOLOv8n的SAS-YOLOv8n模型。首先引入SE注意力增强关键病害特征的表达。其次使用轻量化自适应空间特征融合模块ASFFLite替代原有独立特征精炼层在提升多尺度融合能力的同时显著降低参数量。最终采用SPDConv (空间–深度卷积)替代部分步长卷积以无损下采样方式保留小目标的细粒度空间信息。在水稻病害数据集上的实验结果与基线对比所提出的SAS-YOLOv8n模型的mAP50mAP50:95和R分别提升1.9%1.1%和2%。实现了检测精度的有效提升在水稻病害的田间实时检测中具有良好的可靠性。作者宋优林, 余 静*重庆文理学院数学与人工智能学院重庆doihttps://doi.org/10.12677/csa.2026.168267论文详情YOLOv8 模型结构图如图 1 所示。针对 YOLOv8n 在水稻病害检测中微小病斑易丢失多尺度特征融合存在语义冲突等问题本文提 出 SAS-YOLOv8n 模型。整体结构如图 2 所示。如图 3 是 SPD-Conv 模块的结构示意图。如图 4 是 SE 注意力模块示意图。如图 5 是 ASFFLite 模块的结构示意图。ASFFLite 与标准 ASFF 的参数对比详见实验部分表 1。本文所有实验均在以下软硬件环境下完成操作系统为 Windows 11CPU 为 AMD Ryzen 9 系列 GPU 为 NVIDIA GeForce RTX 4060 Laptop (8 GB 显存)深度学习框架为 PyTorch 2.6.0CUDA 版本为 12.4Ultralytics 版本为 8.4.40。本文实验使用的水稻病害数据集来源于 Roboflow 和百度云网盘公开数据集共包含 5 种常见水稻病害类别白叶枯病(Bacterial Blight)、褐斑病(Brown Spot)、叶黑粉病(Leaf Smut)、稻瘟病(Rice Blast)和纹枯病(Sheath Blight)。为验证 SAS-YOLOv8n 的整体检测性能本文将其与 5 种代表性轻量级目标检测模型有 YOLOv5n、YOLOv7-tiny、YOLOv3-tinyu、YOLOv8n、YOLOv10n 和 YOLOv26n他们都是在相同实验条件下进行对比。这些模型均以 nano 或 tiny 版本作为基础版本与本文的改进基线 YOLOv8n 在模型规模上处于同一量级确保了对比的公平性。各模型的检测结果汇总于表 2。各模块消融实验结果汇总于表 3。综合来看三项改进形成了“通道筛选–空间融合–信息保留”的协同优化链路单独引入任一模 块的增益均有限但 SE 注意力首先筛选出高质量的通道特征为 ASFFLite 的轻量化融合提供了优质的输入基础在两者构建的轻量化基线上SPD-Conv 保留的细粒度空间信息得以被充分挖掘最终使 mAP0.5:0.95 提升至 40.6%。三者分工明确、互补协同使 SAS-YOLOv8n 在参数量仅微增的前提下 mAP0.5 较基线提升 1.9%mAP0.5:0.95 提升 2.8%验证了所提方法的有效性。本研究在公开水稻病害数据集上开展了模型训练与评估实验数据集包含白叶枯病、褐斑病、叶黑 粉病、稻瘟病和纹枯病五类常见水稻病害所有实验均在相同硬件环境与超参数设置下完成确保了结果的公平可比。基于 YOLOv8n本文提出了 SAS-YOLOv8n 改进模型通过在颈部网络引入 SE 通道注意力机制、设计轻量级自适应空间特征融合模块 ASFFLite 以及在骨干浅层部署 SPD-Conv 空间–深度卷积构建了“通道筛选–空间融合–信息保留”的协同优化链路。