来源：期刊VIP网 时间：
作者：高睿;荆茹彬;刘春菊;孙刚;黄择祥;高强;姜红花;
单位：山东农业大学信息科学与工程学院;山东省智慧农业特色实验室;山东潍坊烟草有限公司;中国科学院空天信息创新研究院遥感科学国家重点实验室;中国烟草总公司山东省公司;山东临沂烟草有限公司;
摘要：为实现烟草病害的快速识别与精准定位，针对烟田环境中病害分布复杂、叶片之间存在不同程度的交叉和遮挡等问题，以烟草赤星病、烟草普通花叶病毒病、烟草黄瓜花叶病毒病、烟草气候性斑点病和烟草野火病5种常见烟草病害为研究对象，提出一种基于改进YOLOv8s的烟草病害智能检测方法。(1)基于YOLOv8s检测框架，首先构建多尺度特征模块（C2f＿MSBlock），通过层次化特征融合与异构卷积核选择，在保证检测精度的同时减少了模型参数量，并实现模型的轻量化；(2)引入SEAM注意力机制（Spatially Enhanced Attention Module），结合深度可分离卷积和残差连接，补偿被叶片遮挡区域的响应损失，从而有效解决由于烟叶交叉和遮挡所导致的病害漏检问题；(3)采用高效局部聚合网络的空间金字塔池化结构（Spatial Pyramid Pooling with Efficient Layer Aggregation Network, SPPELAN）替换原结构，通过多尺度池化和高效特征聚合，提升模型对复杂烟田环境中小目标病斑的检测能力。结果表明，改进后模型的平均精确率（m AP）达92.5%，较原始YOLOv8s模型提高9.2%，同时模型权重降低20.4%。与SSD、Faster R-CNN、RT-DETR、YOLOv5s以及YOLOv12s等主流模型相比，在检测精度以及模型轻量化方面均表现出显著优势。
关键词：烟草;;病害;;智能检测;;YOLOv8s;;深度学习
基金资助：山东潍坊烟草有限公司科技计划项目“烟草叶部病害远程智能识别系统研究”[2022]6号
