农业机械学报|基于YOLO v8n改进的小麦病害检测系统

针对大田环境下小麦病害检测精度低、速度慢、背景干扰大、模型难以部署等问题，本文设计了一套基于云架构的检测系统。系统由微信小程序前端与腾讯云服务器后端组成。核心贡献是提出了CS‑YOLO模型（C2f‑Faster‑Slim‑Neck‑YOLOv8n）。该模型在YOLOv8n基础上：

· 在骨干网络中，使用FasterNet Block替换C2f模块中的Bottleneck，形成C2f‑Faster模块；

· 在颈部网络中，引入GSConv和VoV‑GSCSP模块（Slim‑Neck设计范式）。

实验表明：CS‑YOLO的浮点运算量（FLOPs）为6.2×10⁹（比YOLOv8n降低24.4%），内存占用量5.2 MB（降低17.5%），mAP@0.5达到89.2%（提升1.2个百分点）。系统集成后，用户通过微信小程序拍照上传，平均检测精度89.2%，可同时识别病害类型和位置。

小麦病害检测系统设计

04

1. 结构创新：首次将FasterNet Block与YOLOv8n的C2f融合，并针对病害检测任务去除了冗余连接。

2. 颈部轻量化：Slim‑Neck（GSConv+VoV‑GSCSP）既降低了计算量又提升了小目标（病斑）的检测能力。

3. 系统落地：完整实现了云服务器+微信小程序的工程化链路，对智慧农业有实际参考价值。

· 数据地域单一：全部来自河南新乡，不同气候区、不同小麦品种的泛化性未验证。

· 依赖云服务：无网络或高延迟环境下无法使用；且长期运行需支付云服务费用。

· 未做端侧部署：模型虽轻量，但未尝试直接部署到手机端（如通过NCNN、TFLite），仍依赖云端推理。

未来方向

· 扩充数据集：增加病害类别、不同生育期、多个省份的田间图像。

· 模型压缩与量化：将CS‑YOLO转换为TensorFlow Lite或Core ML格式，实现完全离线的手机端检测。

· 视频流检测：支持实时取景框识别，提高田间操作效率。

· 增加其他作物病害：迁移方法尝试用于水稻、玉米等作物的病害检测。