Precision Diagnosis of Apple Leaf Diseases Across Infection Stages via Web-Based Analysis
Kangrui Han · Hao Cai · Kari Peter 等 4 人
提出基于YOLOv8-MHSA与SAM的网页系统，实现苹果叶片病害多感染阶段实时检测与分级。
YOLOv8+多头自注意力，结合SAM分割，构建PA-ALeaf数据集与网页工具
YOLOv8-MHSA_b_h变体精度60.5%、mAP50 56.3%，单图推理12.38ms，可
可探索轻量化模型在移动端的部署，并融合时序数据预测病害发展轨迹。
提出面向真实果园的多阶段苹果叶病检测系统并配套网页工具，方法新颖、数据与性能指标明确，对智慧植保具有参考价值。
摘要 目的 在整个生长季中，叶片病害对苹果果实产量和品质构成巨大风险。虽然早期检测有助于及时干预，但了解病害在不同阶段的进展对于有效治疗和抗性育种至关重要。方法 本研究提出了一种基于深度学习的检测系统，可在真实环境中识别不同感染阶段的苹果叶片病害。现有大多数方法侧重于受控条件下的病害检测，而所开发的系统可在光照变化和背景噪声复杂的田间环境中运行。研究开发了两种基于YOLOv8的变体，并集成了多头自注意力（MHSA）模块，以提高对密集、微小和特征相似病斑的检测能力。此外，通过将分割一切模型（SAM）与检测模型相结合，构建了一个基于网络的交互式工具，以支持叶片分离、病害定位、感染估计、严重程度分类和自动报告生成。结果 在所提出的PA-ALeaf数据集上的训练结果表明，与最先进的模型相比，YOLOv8-MHSA_b_h变体取得了最高性能（精确率60.5%，mAP50 56.3%，F1置信度56.0%），同时保持实时推理（每张图像12.38 ms）。结论 通过连接实际病害监测与科学研究，我们的系统为真实果园中的苹果叶片病害检测提供了一种全面、可扩展的解决方案。该系统既可使农民受益，实现多阶段干预，也可为研究人员提供病害进展的见解。