基于改进YOLOv10的苹果叶部病害检测
王涛
陈璇
贵州师范大学物理与电子科学学院 贵州贵阳 550025
摘要：为解决苹果叶部病害能被快速及准确地识别问题,提出并验证了一种改进的YOLOv10-n模型.通过引入空间金字塔池化增强局部注意力网络(spatial pyramid pooling efficient lightweight aggregation network,SPPELAN)替换YOLOv10-n模型主干网络中的空间金字塔池化-快速模块(spatial pyramid pooling-fast,SPPF)以提升主干网络的多尺度特征融合能力,并采用组洗牌卷积(ghost convolution,GSConv)优化检测头部的计算效率.实验结果表明,改进后的YOLOv10-n模型对未参与训练的711幅图像的检测速度达1.4ms/幅,与原模型相比每幅图像的检测速度提升了 28.6％,mAP@50提升2.32％,参数量减少6.47％.与基于单阶段目标检测框架下的YOLOv3-SPP、YOLOv6和两阶段目标检测框架下的RT-DETR相比,mAP@50分别提升72.95％、6.58％和121.92％.
关键词：深度学习目标检测改进YOLOv10苹果叶部病害识别
论文发表日期：2025-08-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：3( 22-24 )