摘要：針對實際種植環(huán)境下草莓病害目標檢測中，存在背景復(fù)雜、檢測精度低等主要問題，提出一種改進YOLOv8n的草莓病害檢測算法YOLOv8n-SD。搜集并處理真實場景下草莓葉、花、果的常見病害圖像以構(gòu)建試驗數(shù)據(jù)集。在YOLOv8n模型的基礎(chǔ)上對其進行優(yōu)化改進，利用多尺度并行計算與補丁感知注意力對主卷積模塊進行重構(gòu)，提出C2f-PPA模塊，有效融合多尺度特征信息，提高模型的特征捕獲能力。引入ADown模塊，

減少下采樣過程中的信息損失，提高模型的推理速度和魯棒性。提出一種任務(wù)對齊的共享動態(tài)檢測頭（Task-aligned Dynamic Head，TDyH），增強定位分支和分類分支之間的信息交互，降低模型參數(shù)的同時，提高檢測精度和準確性。根據(jù)試驗結(jié)果，改進后的YOLOv8n-SD模型的檢測精度達到83.7%，相較于原YOLOv8n提高3.3%，mAP@0.5與mAP@0.5∶0.95分別達到76.9%和59.9%，分別提升1.6%和2.3%。改進后的算法能精確識別草莓生長各階段的常見病害，并滿足邊緣設(shè)備的輕量化需求和實時檢測需求。

關(guān)鍵詞：草莓病害；目標檢測；YOLOv8n；ADown；輕量化；實時檢測

中圖分類號：S436.68; TP391.4

文獻標識碼：A

文章編號：2095-5553（2024）12-0267-08收稿日期：2024年7月2日

修回日期：2024年9月30日

*基金項目：湖北省教育廳科學技術(shù)研究項目（B2021052）；中國高校產(chǎn)學研創(chuàng)新基金—新一代信息技術(shù)創(chuàng)新項目（2023IT269）

第一作者：李嘉誠，男，1999年生，湖北宜昌人，碩士研究生；研究方向為深度學習、目標檢測應(yīng)用。E-mail：lj15102793584@163.com

通訊作者：陳中舉，男，1976年生，湖北荊州人，碩士，副教授；研究方向為機器學習與人工智能、計算機網(wǎng)絡(luò)等。E-mail：chenzj@yangtzeu.edu.cn

A method for strawberry disease detection in real scenarios based on improved YOLOv8n

Li Jiacheng， Chen Zhongju， Xu Haoran

（School of Computer Science， Yangtze University， Jingzhou， 434023， China）

Abstract： Addressing the primary issues of complex backgrounds and low detection accuracy in strawberry disease target detection under practical farming conditions， an improved YOLOv8n strawberry disease detection algorithm as YOLOV8N-SD is proposed. Images of common strawberry leaf， flower， and fruit diseases under real-world scenarios are collected and processed to construct an experimental dataset. Optimizations and improvements are made to the YOLOv8n model. The primary convolutional module is reconstructed by using multi-scale parallel computing and patch-perceptive attention， introducing the C2f-PPA module. This effectively integrates multi-scale feature information， enhancing the model’s feature capturing capability. Additionally， the ADown module is incorporated to reduce information loss during downsampling， thereby improving the model’s inference speed and robustness. A Task-aligned Dynamic Head （TDyH） is proposed to strengthen information exchange between the localization and classification branches. This reduces model parameters while simultaneously enhancing detection precision and accuracy. According to experimental results， the improved YOLOv8n-SD model achieves a detection accuracy of 83.7%， representing a 3.3% increase over the original YOLOv8n. Its mAP@0.5 and mAP@0.5∶0.95 scores reach 76.9% and 59.9% respectively， marking improvements of 1.6% and 2.3% compared to the baseline. This enhanced algorithm not only accurately identifies common diseases at various stages of strawberry growth but also meets the lightweight and real-time detection requirements of edge devices.

Keywords： strawberry diseases; target detection; YOLOv8; ADown; lightweight; real-time detection

0 引言

目前中國草莓的播種面積和產(chǎn)量均居世界首位^［1］，在中國農(nóng)業(yè)領(lǐng)域占據(jù)了舉足輕重的地位。然而，草莓在栽培過程中易受光照、氣溫等^［2］外部環(huán)境因素的影響，這種敏感性導致其在生長過程中容易受到各種病害的侵襲。因此，對草莓病害的及時檢測與防治顯得尤為重要，這不僅關(guān)乎農(nóng)業(yè)生產(chǎn)的順利進行，更影響到經(jīng)濟效益和食品安全。

傳統(tǒng)草莓病害檢測主要依賴于人工田間甄別，這種方式人力資源投入大且效率低下，容易出現(xiàn)誤檢、漏檢等現(xiàn)象^{［3， 4］}。隨著深度學習的發(fā)展和普及，基于計算機視覺的目標檢測技術(shù)在草莓病害檢測領(lǐng)域逐漸展開應(yīng)用。如黃鋁文等^［5］利用雙重池化的通道增強模塊對ResNet^［6］模型進行改進，增強了模型的特征選擇能力，將對草莓病害圖像的分類準確率提升了3個百分點，但模型規(guī)模有待進一步縮小。胡曉波等^［7］提出了一種基于交互式雙分支特征融合的草莓病害程度快速診斷方法，通過融合多尺度語義特征和空間細節(jié)特征，實現(xiàn)病斑和葉片區(qū)域的精確分割。喬珠峰等^［8］對YOLOv5進行改進，引入ECA^［9］注意力機制，提升了草莓病害檢測精度，但增加了模型計算量?？簼嵉?sup>［^10］使用結(jié)合注意力機制與殘差網(wǎng)絡(luò)的主干特征提取網(wǎng)絡(luò)對U-Net^［11］進行改進，利用多感受野彌補了草莓病害分割過程中的信息丟失，然而模型的復(fù)雜度較高，實時效果不理想。邱暢等^［12］在YOLOv5的基礎(chǔ)上增加CBAM^［13］注意力機制，并使用EIoU^［14］損失函數(shù)和K-means^［15］聚類算法來提高模型的收斂速度，提升草莓病害檢測精度的同時保證了實時性。

目標檢測技術(shù)的引入，有效提高草莓病害的檢測效率。但相關(guān)研究多建立在環(huán)境單一、背景干凈的理想數(shù)據(jù)集上，與實際場景存在顯著差異。此外，部分研究通過不斷堆疊模塊的形式來提高精度，卻忽視了模型規(guī)模爆炸性增長的問題。為解決上述問題，本研究聚焦于真實場景下各個生長階段的草莓病害圖像，提出一種基于改進YOLOv8n算法的草莓病害檢測模型。

1 YOLOv8n算法改進

1.1 YOLOv8算法簡介

YOLOv8是一款先進的目標檢測模型，建立在YOLO系列模型的成功基礎(chǔ)上，并引入了新的功能和改進，以進一步提升性能和靈活性，其結(jié)構(gòu)如圖1所示。YOLOv8作為一款優(yōu)秀的目標檢測模型，具有更高的性能、更靈活的設(shè)計和更廣泛的適用性，可以滿足各種視覺AI任務(wù)的需求，并在目標檢測領(lǐng)域取得了顯著的進展。作為YOLOv8系列的一個輕量級變體，YOLOv8n在保證精度的同時，進一步減少了模型的計算復(fù)雜度和參數(shù)數(shù)量，使其更加適合在資源受限的環(huán)境中進行部署和應(yīng)用。因此，本文選擇YOLOv8n模型作為基準模型進行改進優(yōu)化。

1.2 C2f-PPA模塊

C2f模塊在YOLOv8算法中是一個具有多尺度特征提取和特征融合能力的關(guān)鍵組件，其通過多分支設(shè)計，能夠增加網(wǎng)絡(luò)的分線性能力和表示能力，從而提高網(wǎng)絡(luò)對復(fù)雜數(shù)據(jù)的建模能力。

Bottleneck作為C2f內(nèi)部結(jié)構(gòu)的核心模塊，其殘差連接的設(shè)計允許網(wǎng)絡(luò)學習恒等映射，這有助于緩解梯度消失或爆炸的問題，提高模型的訓練穩(wěn)定性。然而，在草莓病害實景檢測任務(wù)中，輸入圖像存在大量的噪聲和干擾，如光照變化、陰影、遮擋等，這些可能對Bottleneck模塊的特征提取和融合過程產(chǎn)生負面影響，導致模型對目標的檢測精度和魯棒性下降。為確保在多次下采樣步驟中保留關(guān)鍵信息，HCF-Net^［16］提出了層次融合和注意力機制來保持和增強小目標的表示，基于此，本文對C2f模塊進行優(yōu)化重構(gòu)，改進后的C2f-PPA模塊結(jié)構(gòu)如圖2所示。

相較于C2f模塊，改進后的C2f-PPA利用并行多分支提取策略，在不同尺度和層次上進行特征提取，將局部細粒度特征與全局信息融合，從而提高對小目標病害的檢測準確性。具體而言，該策略涉及串行、局部、全局3個并行分支，對于輸入特征張量

F∈R^{H′×W′×C}

進行逐點卷積調(diào)整，得到分支張量

F′∈R^{H′×W′×C′}，

隨后經(jīng)過3個分支分別輸出線性張量

F_Conv∈R^{H′×W′×C′}、

局部張量

F_local∈R^{H′×W′×C′}、

全局張量

F_global∈R^{H′×W′×C′}，

最后將3個分支的輸出結(jié)果相加得到輸出特征張量

F～∈R^{H′×W′×C′}，

這一表示不僅包含目標的局部細節(jié)，還融入全局上下文信息。

在局部和全局分支中，主要通過控制補丁參數(shù)

p

在空間維度上聚合和位移非重疊補丁來實現(xiàn)。首先通過Unfold和Reshape操作將

F′

分割成一組形為

（p×p，H′/p，W′/p，C）

的空間上連續(xù)的補丁，接著對其進行通道平均化操作以簡化信息，隨后將其輸入一組前饋網(wǎng)絡(luò)進行單向線性計算，并使用Softmax函數(shù)激活以獲得線性計算特征在空間維度上的概率分布，并相應(yīng)地調(diào)整它們的權(quán)重。最后在經(jīng)過特征選擇和一系列卷積、Reshape和雙線性插值操作后輸出

F_local

和

F_global。

在多分支特征提取之后，對融合的特征進行自適應(yīng)特征增強，這一操作通過注意力模塊實現(xiàn)，在其內(nèi)部集成了通道注意力和空間注意力組件，確保模塊能夠聚焦于關(guān)鍵特征信息，從而進一步提升檢測的準確性，具體過程如式（1）～式（3）所示。

式中：

M_C

——一維通道注意力處理；

M_S

——二維空間注意力處理；

F_C

——通道選擇后的特征張量；

F～——三個分支相加后的特征張量；

F_S

——空間選擇后的特征張量；

R（·）

——ReLU操作；

B（·）

——BN；

F″

——最終輸出的特征張量。

1.3 引入Adown下采樣模塊

YOLOv8中使用標準卷積層（Conv）進行下采樣操作，雖然其廣泛應(yīng)用于深度學習模型中，但也存在一些固有局限。首先，Conv層依賴于滑動窗口機制進行卷積運算，這一過程可能導致空間信息的損失，削弱模型對圖像局部細節(jié)的捕捉能力。其次，Conv層的感受野是固定的，由卷積核尺寸決定，限制了模型在應(yīng)對不同尺度輸入數(shù)據(jù)時的靈活性。最后，Conv層的性能與輸入數(shù)據(jù)的特性高度相關(guān)，一旦輸入數(shù)據(jù)的分布發(fā)生變化，或存在噪聲、異常值等問題，其性能可能會受到較大影響。為了優(yōu)化這些問題，研究人員已經(jīng)提出了一系列改進策略，例如深度可分離卷積、空洞卷積、可變形卷積等，此外，還可以結(jié)合注意力機制等技術(shù)來進一步優(yōu)化Conv層的性能。

在草莓病害檢測場景中，圖像可能存在著大量病害目標與背景高度融合，并且這些病害可能具有相似的紋理特征，如角斑病和炭疽病。為了應(yīng)對這些挑戰(zhàn)，在改進的模型中引入ADown^［17］下采樣模塊，其結(jié)構(gòu)如圖3所示。ADown在設(shè)計中結(jié)合了平均池化和最大池化，這種混合池化策略能夠捕獲數(shù)據(jù)中的不同特征。平均池化通常對背景信息更敏感，而最大池化則更擅長捕捉紋理細節(jié)。因此，這種結(jié)合有助于模型提取更豐富和全面的特征表示。此外，與Conv層的串行結(jié)構(gòu)相比，ADown的并行下采樣操作能夠在降低空間維度的同時保留更多的有效信息，從而增強模型對病害檢測的準確性和魯棒性。

1.4 TDyH檢測頭

在YOLOv8中，檢測頭通常包含兩個獨立的分支，分別計算邊界框損失和類別損失。Feng等^［18］指出這種平行分支的頭部會限制兩個任務(wù)之間的交互，于是提出任務(wù)對齊頭（Task-aligned head，T-Head），包含了一個簡單的特征提取器和兩個任務(wù)對齊預(yù)測器（Task-aligned predictor，TAP），有效解決了預(yù)測的空間對齊程度不一致的問題。

基于TAP思想，提出任務(wù)對齊的動態(tài)檢測頭（Task-aligned Dynamic Head，TDyH），其結(jié)構(gòu)如圖4所示。在TDyH中采用了共享檢測頭的思想，可以大幅減少模型參數(shù)量。為了應(yīng)對每個檢測頭所檢測的目標尺度不一致的問題，在經(jīng)過頭部處理后，通過Scale層對特征進行縮放處理。

在TDyH內(nèi)部結(jié)構(gòu)中，首先，通過一系列共享卷積層對來自不同尺度的特征圖輸入進行處理，并將輸出特征進行拼接，以融合不同尺度的信息。接著，利用任務(wù)分解策略，將特征分為用于定位的特征和用于分類的特征。在定位分支中，生成用于動態(tài)卷積的偏移量和掩碼，這使得卷積核可以根據(jù)輸入特征圖的局部特征進行變形，從而增強模型對幾何變換的魯棒性。最后，在DCNv2^［19］模塊中與定位特征融合做可變形卷積，使模型對特征圖進行空間變換，以提高定位的準確性。在分類分支中，使用卷積操作以及非線性激活函數(shù)來處理特征，并生成分類概率，實現(xiàn)了對輸入特征的關(guān)注和加權(quán)。

2 數(shù)據(jù)集介紹

為了應(yīng)對真實種植場景下的草莓病害檢測，收集了涵蓋草莓不同生長階段（包括花、果、葉）的2 757張常見病害圖像。這些圖像被分為10種類別，并劃分為訓練集（1 882張）、驗證集（553張）和測試集（322張），部分圖像如圖5所示。這些圖像均源自真實的種植環(huán)境，具備背景環(huán)境復(fù)雜多變、樣本分布密度以及目標尺度不一等特點，檢測難度較大。為了更直觀地展示這些特性，圖6分別呈現(xiàn)了樣本在圖像中的位置分布及其寬高比分布情況。所有圖像均使用labelimg進行標注，共含樣本5 528個，標簽數(shù)量分布如表1所示。為促使模型在更加接近真實場景的條件下進行學習和優(yōu)化，特意在數(shù)據(jù)集中融入了部分番茄圖像作為潛在的干擾因素，以此模擬實際應(yīng)用中可能遇到的數(shù)據(jù)噪聲和誤識別情況。

3 試驗結(jié)果與分析

3.1 試驗環(huán)境與評估指標

試驗環(huán)境：操作系統(tǒng)為ubuntu20.04；CPU為12 vCPU Intel（R） Xeon（R） Platinum 8255C CPU@2.50 GHz；GPU為RTX3080（10 GB）；PyTorch版本為1.13.1；CUDA版本為11.7。

為客觀評價模型的檢測性能，采用精度P、召回率R、均值平均精度mAP、畫面每秒幀數(shù)FPS、模型大小、計算量來聯(lián)合評估，其中mAP由mAP@0.5和mAP@0.5∶0.95兩部分組成部分組成，相關(guān)計算如式（4）～式（7）所示。

式中：

TP

——被正確檢測為正樣本的實例數(shù)；

FP

——被錯誤標記為正樣本的實例數(shù)；

FN

——被錯誤預(yù)測為負樣本的實例數(shù)；

m

——類別數(shù)量。

一般而言，精度和召回率存在矛盾，一方升高，另一方可能降低，所以衡量一個模型的性能不能單獨憑靠精度或者召回率。引入平均精度AP能夠反映模型精度隨召回率的變化趨勢，其值越高，表明模型在維持高召回率的同時，依然能夠保持較高的精度，而mAP則是各個類別AP值的平均值，提供了一個衡量模型在所有類別上性能表現(xiàn)的統(tǒng)一標準。

3.2 消融試驗

為檢驗改進模塊對模型整體性能的影響以及其有效性，以YOLOv8n為基線模型展開消融試驗。首先，對C2f-PPA、ADown、TDyH三個優(yōu)化改進點單獨檢驗。然后，進行模塊組合以分析它們之間的兼容效果。在訓練過程中，統(tǒng)一采用SGD優(yōu)化器，初始學習率為0.01，在模型收斂的前提下將epochs設(shè)為200，batch-size設(shè)為32，圖像的輸入大小為640像素×640像素。試驗結(jié)果如表2所示。對表2進行分析可知，與基線模型YOLOv8n相比，3個改進點分別在不同性能指標上有所提升。具體而言，在模型1中，C2f-PPA模塊雖能顯著地將模型檢測精度提高1.8個百分點，但由于回歸率的下降，導致mAP的整體提升幅度相對有限。模型2中單獨引入ADown下采樣模塊，混合池化策略不僅大幅提升了模型的回歸率，還成功維持了較高的檢測精度，表明ADown模塊能夠有效降低下采樣過程中的特征損失。

模型3則將檢測頭替換為TDyH，能將mAP@0.5提升2個百分點，mAP@0.5∶0.95提升3.3個百分點，充分證明任務(wù)對齊思想對模型檢測性能的重要性。

為進一步驗證改進模塊之間的功能兼容性，在模型4、模型5、模型6中分別進行兩兩組合試驗。對結(jié)果分析可得，C2f與TDyH的組合能將模型精度最大化至84.4%，但不排除是以降低回歸率為代價，而ADown模塊的加入能有效彌補在召回率指標上的損失。

最終YOLOv8n-SD模型在各項性能指標上實現(xiàn)了綜合性能最優(yōu)化。相較于基線模型YOLOv8n，精度上提升了3.3個百分點，召回率提升了2.5個百分點，mAP@0.5與mAP@0.5∶0.95分別提升了1.6個百分點和2.3個百分點。盡管由于模塊復(fù)雜度和計算量的增加，YOLOv8n-SD模型在推理過程中的FPS值有所降低，但其仍能很好地滿足實時檢測的需求，展示了其出色的實際應(yīng)用能力。

為了更直觀地展示改進后模型相對于基線模型在性能上的提升，圖7采用折線圖的形式來對比二者的訓練過程。根據(jù)結(jié)果可知，YOLOv8n-SD模型不僅在回歸曲線和mAP曲線的各個階段均呈現(xiàn)出優(yōu)于YOLOv8n模型的性能值，而且在整個訓練過程中，都展現(xiàn)出了更出色的穩(wěn)定性和可靠性。具體來說，在精度曲線的對比中，雖然兩個模型差異不顯著，但YOLOv8n-SD模型在取值上的波動幅度更低，訓練更為平穩(wěn)，這表示模型對數(shù)據(jù)的擬合更穩(wěn)定，進而在收斂時達到更高的平均精度。

3.3 對比試驗

為驗證改進模型在草莓病害檢測領(lǐng)域的優(yōu)越性，與當前主流的YOLO系列算法模型以及部分基于YOLOv8的改進算法模型進行試驗對比。如表3所示，在與YOLOv5n、YOLOv6n^［20］、YOLOv7-tiny、YOLOv8n這類輕量級算法模型對比當中，YOLOv8n-SD的規(guī)模最小，但由于其卷積模塊的復(fù)雜度更高，

導致計算量有所增加，但仍與其他模型相持平。在精度上，YOLOv8n-SD模型的mAP@0.5與mAP@0.5∶0.95分別達到了76.9%和59.9%，

處于領(lǐng)先地位。輕量化設(shè)計使YOLOv8n-SD可以很方便部署于邊緣設(shè)備上。

表4和表5詳細比較了YOLOv8n-SD的改進模塊與當前先進的主干網(wǎng)絡(luò)和優(yōu)秀的檢測頭模塊在草莓病害檢測領(lǐng)域的性能。

如表4所示，C2f-PPA模塊與ADown模塊組合的主干網(wǎng)絡(luò)在與ConvNeXtV2^［21］、MobileNetV4^［22］和UniRepLKNet^［23］對比時，不僅展現(xiàn)出更小的網(wǎng)絡(luò)規(guī)模和計算量，而且其mAP@0.5和mAP@0.5∶0.95的數(shù)值均達到了最佳水平。進一步地，表5中的結(jié)果揭示了TDyH檢測頭模塊通過其共享設(shè)計思想有效地控制了模型大小，同時，由于定位分支與分類分支之間的信息交互機制，TDyH在平均檢測精度上超越了EfficientHead^［24］和DyHead^［25］，證明了其在草莓病害檢測任務(wù)中的出色性能。

3.4 效果可視化

為更直觀地展示改進模型的檢測效果，對測試集圖像進行檢測并與YOLOv8n模型進行可視化對比，部分結(jié)果如圖8所示。其中圖8（a）是花瓣殘缺的草莓花腐病，YOLOv8n對目標存在著漏判現(xiàn)象，相比之下，YOLOv8n-SD模型在處理特征與背景高度融合的場景時展現(xiàn)出了更高的識別能力；圖8（b）是草莓果實的炭疽病，YOLOv8n-SD對目標的檢測置信度達到了94%，遠高于YOLOv8n的77%，充分說明了YOLOv8n-SD模型在病害檢測上的高準確性和可靠性；圖8（c）是草莓葉的角斑病，YOLOv8n對部分病害目標誤判為灰霉病，而YOLOv8n-SD則成功避免了這一錯誤，展現(xiàn)出了較高的魯棒性。

圖9則通過歸一化混淆矩陣進一步展示了YOLOv8n-SD模型在每個病害類別上的檢測效果，對角線上的數(shù)據(jù)表示正確預(yù)測的類別占比。其中花腐病、灰霉病、葉斑病的檢測準確率極高，均在90%之上，而角斑病、果粉霉病、葉粉霉病的準確率也能達到80%以上。由于數(shù)據(jù)集中摻雜了部分無標注的番茄圖像，所以沒有明顯特征的健康花、果、葉易被判斷為背景。綜上所述，YOLOv8n-SD模型在具有背景干擾的真實環(huán)境下，能夠準確地預(yù)測各類草莓病害目標。

4 結(jié)論

聚焦于真實種植環(huán)境中草莓生長各階段常見病害的精準檢測，在YOLOv8n算法框架的基礎(chǔ)上，通過重構(gòu)主卷積模塊C2f、引入輕量高效的ADown模塊，并設(shè)計任務(wù)對齊的動態(tài)檢測頭TDyH，提出一種名為YOLOv8n-SD的草莓病害檢測方法。為確保算法模型在實際場景中的可實施性和穩(wěn)定性，采用自制真實種植環(huán)境下的草莓病害數(shù)據(jù)集。

1）

消融試驗的結(jié)果充分驗證C2f-PPA模塊、ADown模塊以及TDyH檢測頭模塊這3項改進策略的有效性。它們的聯(lián)合應(yīng)用有效提升模型在草莓病害檢測任務(wù)中的綜合性能，具體表現(xiàn)為高達83.7%的精度和72.1%的召回率，同時mAP@0.5和mAP@0.5∶0.95

分別達到76.9%和59.9%，證明YOLOv8n-SD在草莓病害識別上的精確度和全面性。

2）在與當前主流YOLO系列輕量級算法模型的對比中，YOLOv8n-SD展現(xiàn)出在草莓病害檢測任務(wù)中的卓越性能；與當前優(yōu)秀的主干網(wǎng)絡(luò)和檢測頭模塊對比，YOLOv8n-SD的改進點也毫不遜色。在可視化展示中，模型對多種病害的準確識別和魯棒性得到直觀體現(xiàn)。

優(yōu)化后的YOLOv8n-SD模型不僅在檢測精度、召回率和mAP指標上超越原YOLOv8n模型，更因其輕量化和實時化的特點，使得其在邊緣設(shè)備上的部署變得容易，為未來草莓病害的自動化、智能化檢測提供強有力的技術(shù)支撐。在后續(xù)的研究中，將針對目標易被識別為背景的問題進行深入研究，并持續(xù)擴充數(shù)據(jù)集，納入更多類型的草莓病害圖像，以期提高模型的泛化能力和實際應(yīng)用價值。

參 考 文 獻

［1］ 丁新倫， 張潔， 吳祖建. 草莓上新發(fā)現(xiàn)的病毒研究現(xiàn)狀與展望［J］. 園藝學報， 2024， 51（7）： 1639-1648.

Ding Xinlun， Zhang Jie， Wu Zujian. Recent advances in new viruses infecting strawberry ［J］. Acta Horticulturae Sinica， 2024， 51（7）： 1639-1648.

［2］ 黃寧旺， 蔣琪瑋， 王晶如， 等. 設(shè)施內(nèi)不同遮陰處理對草莓生長和光合特性及產(chǎn)量品質(zhì)的影響［J］. 中國果樹， 2024（5）： 68-74.

Huang Ningwang， Jiang Qiwei， Wang Jingru， et al. Effects of varying shading treatments under facility conditions on the growth， photosynthetic characteristics， yield and quality of strawberry ［J］. China Fruits， 2024（5）： 68-74.

［3］ 章璞， 喬波， 陳義明. 基于改進YOLOv8的多階段草莓檢測算法［J］. 中國農(nóng)機化學報， 2024， 45（10）： 274-280.

Zhang Pu， Qiao Bo， Chen Yiming. A multi-stage strawberry detection algorithm based on improved YOLOv8 ［J］. Journal of Chinese Agricultural Mechanization， 2024， 45（10）： 274-280.

［4］ 王瑞彬， 楊世忠， 高升. 融合殘差網(wǎng)絡(luò)與注意力機制的草莓檢測［J］. 中國農(nóng)機化學報， 2024， 45（1）： 266-273.

Wang Ruibin， Yang Shizhong， Gao Sheng. Strawberry detection combining residual network with attention mechanism ［J］. Journal of Chinese Agricultural Mechanization， 2024， 45（1）： 266-273.

［5］ 黃鋁文， 鄭梁， 黃煜， 等. 基于多尺度卷積與通道域增強的草莓病害識別方法［J］. 江蘇農(nóng)業(yè)科學， 2023， 51（10）： 202-210.

Huang Lüwen， Zheng Liang， Huang Yu， et al. Strawberry disease recognition method based on multi-scale convolution and channel domain enhancement ［J］. Jiangsu Agricultural Sciences， 2023， 51（10）： 202-210.

［6］ Targ S， Almeida D， Lyman K. Resnet in resnet： Generalizing residual architectures ［J］. arXiv preprint arXiv： 1603.08029， 2016.

［7］ 胡曉波， 許桃勝， 黃偉， 等. 交互式雙分支特征融合的草莓病害程度快速診斷方法［J］. 農(nóng)業(yè)機械學報， 2023， 54（11）： 225-235.

Hu Xiaobo， Xu Taosheng， Huang Wei， et al. Interactive bilateral feature fusion network for real-time strawberry disease diagnosis ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（11）： 225-235.

［8］ 喬珠峰， 趙秋菊， 郭建鑫， 等. 基于改進YOLOv5的草莓病害智能識別終端設(shè)計［J］. 中國農(nóng)機化學報， 2024， 45（3）： 205-211.

Qiao Zhufeng， Zhao Qiujiu， Guo Jianxin， et al. Design of strawberry disease intelligent identification terminal based on improved YOLOv5 ［J］. Journal of Chinese Agricultural Mechanization， 2024， 45（3）： 205-211.

［9］ Wang Q， Wu B， Zhu P， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks ［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 11534-11542.

［10］ 亢潔， 劉佳， 劉文波， 等. 基于多感受野與多尺度融合的草莓病害分割算法［J］. 江蘇農(nóng)業(yè)科學， 2024， 52（4）： 206-215.

Kang Jie， Liu Jia， Liu Wenbo. Study on strawberry disease segmentation algorithm based on multi receptive field and multi-scale fusion module ［J］. Jiangsu Agricultural Sciences， 2024， 52（4）： 206-215.

［11］ Siddique N， Paheding S， Elkin C P， et al. U-Net and its variants for medical image segmentation： A review of theory and applications ［J］. IEEE Access， 2021， 9： 82031-82057.

［12］ 邱暢， 田光兆， 趙嘉威， 等. 基于改進YOLOv5的草莓病害識別［J］. 中國農(nóng)機化學報， 2024， 45（3）： 198-204.

Qiu Chang， Tian Guangzhao， Zhao Jiawei， et al. Strawberry disease identification based on improved YOLOv5 ［J］. Journal of Chinese Agricultural Mechanization， 2024， 45（3）： 198-204.

［13］ Woo S， Park J， Lee J Y， et al. Cbam： Convolutional block attention module ［C］. Proceedings of the European Conference on Computer Vision， 2018： 3-19.

［14］ Yang Z， Wang X， Li J. EIoU： An improved vehicle detection algorithm based on vehiclenet neural network ［C］. Journal of Physics： Conference Series. IOP Publishing， 2021， 1924（1）： 012001.

［15］ Ahmed M， Seraj R， Islam S M S. The k-means algorithm： A comprehensive survey and performance evaluation ［J］. Electronics， 2020， 9（8）： 1295.

［16］ Xu S， Zheng S C， Xu W， et al. HCF-Net： Hierarchical context fusion network for infrared small object detection ［J］. arXiv preprint arXiv：2403.10778， 2024.

［17］ Wang C Y， Yeh I H， Liao H Y M. YOLOv9： Learning what you want to learn using programmable gradient information ［J］. arXiv preprint arXiv：2402.13616， 2024.

［18］ Feng C， Zhong Y， Gao Y， et al. Tood： Task-aligned one-stage object detection ［C］. 2021 IEEE/CVF International Conference on Computer Vision. IEEE Computer Society， 2021： 3490-3499.

［19］ Zhu X， Hu H， Lin S， et al. Deformable convnets v2： More deformable， better results ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 9308-9316.

［20］ Li C， Li L， Jiang H， et al. YOLOv6： A single-stage object detection framework for industrial applications ［J］.arXiv preprint arXiv： 2209.02976， 2022.

［21］ Woo S， Debnath S， Hu R， et al. Convnext v2： Co-designing and scaling convnets with masked autoencoders ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2023： 16133-16142.

［22］ Qin D， Leichner C， Delakis M， et al. Mobilenetv4-universal models for the mobile ecosystem ［J］. arXiv preprint arXiv： 2404.10518， 2024.

［23］ Ding X， Zhang Y， Ge Y， et al. UniRepLKNet： A universal perception large-kernel convnet for audio video point cloud time-series and image recognition ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2024： 5513-5524.

［24］ Tan M， Pang R， Le Q V. Efficientdet： Scalable and efficient object detection ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 10781-10790.

［25］ Dai X， Chen Y， Xiao B， et al. Dynamic head： Unifying object detection heads with attentions ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 7373-7382.