导读：

赵露茜, 吴芳玲, 王晨旭*, 武佳瑶：辽宁科技大学电子与信息工程学院，辽宁 鞍山

作者信息：

棉花叶病害检测；YOLOv8s；MKC-Block模块；注意力机制；履带式机器人；ROS

论文详情

YOLOv8s-MSFDS 模型以轻量级网络 YOLOv8s 为基础框架进行改进，模型结构如图 1 所示。

MTA-Net 通过多级特征交互与动态注意力机制，将 Backbone 提取的多尺度高维特征高效恢复至原始空间分辨率，同时增强对病斑细节与全局语义的协同感知能力，如图 2 所示。

为了有效地捕捉信息，Transformer 模块通过多头自注意力机制对不同的注意力模式进行并行运算，通过前馈网络进一步增强特征表现能力。图 3 展示了该单元的结构。

动态蛇形卷积结构示意图如图 4 所示。

FSA 模块的详细结构如图 5 所示。

机器人搭载的嵌入式控制单元，核心是树莓派 4B。基于 Debian 优化开发的嵌入式环境，利用其轻量化、高度定制化的特点，实现传感器数据采集、运动控制和任务调度。

机器人搭载的操作系统为 Ubuntu18.04LTS (长期支持版本)，该系统具备长期支持特性，确保在实际部署中长期稳定运行，同时兼容主流硬件设备和多种开发框架，满足机器人多模块集成需求。

视觉感知模块选用 NVIDIA Jetson Nano B01 当作核心硬件平台，结合 CUDA 和 TensorRT 技术实现深度学习模型的高效推理。

实验数据源自 Kaggle 公开的 6 个棉花病虫害数据集，包含叶斑病、蚜虫病等多种病害类型，原始图像共计 6891 张。经增强后，数据集样本量扩充至27,564张，其中训练集24,808张，测试集2756张，有效提升了模型在复杂田间环境下的鲁棒性与泛化能力，如表 1 所示。

为了证明 YOLOv8s-MSFDS 模型的有效性，将其与 YOLOv3、YOLOv5s、YOLOv6s、YOLOv7、 YOLOv7-tiny、Faster R-CNN、CenterNet 及 YOLOv8 等 8 种经典目标检测算法在自建的棉花叶片病害 数据集上进行对比实验，实验结果如表 2 所示。

为验证各改进模块对模型性能的贡献，本文设计了消融实验，结果如表 3 所示。

为应对复杂背景干扰和小目标识别的问题，本文给出了针对 YOLOv8 网络的改进策略。该策略包括引入多尺度通道注意力(MTA-Net)模块，通过加权融合不同尺度的特征，增强模型对病虫害区域的感知能力，在大小差异较大的病害区域，检测精度得到了提升。采用频域空间注意力(FSA)机制，通过离散傅里叶变换(DFT)提取频域特征，强化模型对病害区域高频信息的感知能力，提高病害边缘及细节的检测能力。并且结合深度可分离卷积(DSConv)降低模型计算复杂度，在维持检测精度的状况下，提高推理速度。实验结果显示，引入 MTA、MCK 和 FSA 模块之后，改进模型的准确率实现了从 87.8%到 90.9%的提升。 精确度也从 78.6%提高到了 81.6%，这充分显示出其误检抑制能力得到了提高。召回率提升了 4%，由 83.9%增长至 87.9%，这提高了对病虫害区域的全面感知效果。

原文链接：

https://doi.org/10.12677/csa.2026.165202