南方农业学报

作者：苏波, 杨绍锷,

关键词：水稻, 叶片病害, YOLOv5n-SHCA模型, 检测精度, 轻量化, 智能识别,

【目的】从网络结构与损失函数2个维度对YOLOv5n模型进行系统改进，全面提升模型轻量化程度及其对复杂形态水稻叶片病害的检测精度，为实现水稻叶片病害智能识别提供技术支持，进而满足现代精准农业智能化管理的需求。【方法】以YOLOv5n模型为基础，首先在骨干网络中引入CBRM模块、MLCA模块与ShuffleBlock模块，重构原有网络架构；然后在颈部网络的每个C3层前嵌入Shuffle Attention机制，实现通道与空间2个维度的特征协同学习；最后将原CIoU损失函数替换为EIoU损失函数，提升病斑定位精度及改善模型在训练过程中的收敛稳定性。采用YOLOv5n-SHCA模型和YOLOv5n模型在包含细菌性叶斑病、褐斑病、叶瘟病3种水稻叶片病害的图像数据集上进行检测，以评估YOLOv5n-SHCA模型的有效性。【结果】YOLOv5n-SHCA模型能稳定识别细菌性叶斑病、褐斑病、叶瘟病3种水稻叶片病害特征，且对小目标病斑识别敏感。与当前主流YOLO模型相比，YOLOv5n-SHCA模型在多项性能指标上均实现有效提升，同时参数规模大幅降低，体现了模型在检测精度与轻量化设计间的良好平衡，具备更优的实际应用潜力，具体表现：mAP@50为0.966，mAP@50-95为0.746，精确率为94.2%，召回率为92.0%，模型推理速度提升至1.4 ms/图，而参数规模降至1.53 M。YOLOv5n-SHCA模型对水稻叶片细菌性叶斑病、褐斑病、叶瘟病的检测精度分别为0.994、0.921和0.983，均优于YOLOv5n模型，能有效解决水稻叶片褐斑病因病斑密集、尺度微小、与叶瘟病形态相似等复杂因素对检测效果不利的问题，增强模型在复杂噪声背景下对病斑特征的感知与鉴别能力。【结论】由CBRM模块、MLCA模块与ShuffleBlock模块组成轻量化骨干网络，在颈部网络集成Shuffle Attention机制，并以EIoU损失函数替代CIoU损失函数而建立的YOLOv5n-SHCA模型，在有效提升对复杂形态水稻叶片病害检测精度的同时实现了模型轻量化，为水稻叶片病害的智能识别提供了技术支撑。

来源：2026年第2期

《南方农业学报》期刊编辑部

查看南方农业学报杂志2026年第2期