卷叶是一种常见的适应性反应，植物已经进化，以抵消各种环境压力的有害影响。深入了解叶片卷曲变化的机制为研究人员提供了一个独特的机会，以提高表现叶片卷曲作物的抗逆性，如玉米。为了更深入地了解卷叶现象，有必要确定这种表型的发生和程度。传统的人工轧叶检测速度慢且费力，对高通量的卷叶检测方法的研究仍然有限。在这项研究中，提出了一种利用YOLOv8模型检测玉米叶片卷曲的方法LRD-YOLO，集成了两个重要的改进：卷积块注意力模块(Convolutional Block Attention Module，CBAM)增强了特征提取能力，而变形卷积神经网络(Deformable ConvNets v2)增强了对目标形状和规模变化的适应性。通过在包含严重遮挡、叶子大小和形状变化以及复杂背景场景的数据集上进行实验，提出的方法达到了令人印象深刻的81.6%的平均精度，超过了目前最先进的方法。此外，LRD-YOLO模型只需要8.0 G的浮点运算和3.48 m的参数。本文提出了一种创新的玉米叶片卷曲检测方法，实验结果表明，LRD-YOLO在保持实时推理速度的同时，能够精确检测复杂场景下的叶片卷曲。

图1  数据样本。

图2  卷叶阶段为1 ~ 5个阶段。第1阶段，叶片展开、肿胀；第二阶段，叶缘开始滚动；第3阶段，叶片明显滚动，呈v形；第4阶段，滚动叶缘延伸到叶片的一部分;第3阶段，叶子卷紧。

图3  C3和C2f模块的结构。

图4  LRD-YOLO的整体架构。

图5  传统卷积与变形卷积的比较。a传统的卷积核。b可变形卷积核。

图6 检测结果对比。箭头指向不正确的结果，黄色框代表丢失的目标。

图7   恶劣天气条件下的数据增强。

图8  对比恶劣天气条件下的探测结果。箭头指向不正确的结果，黄色框代表丢失的目标。

图9  LRD-YOLO和YOLOv8n的Grad-CAM可视化。