番茄叶病严重影响番茄产量和品质，因此准确检测番茄叶病至关重要。近年来，深度学习技术的应用显著提高了植物叶片病害检测的准确性。然而，现有的深度学习检测模型在面对叶片间的相互遮挡、光线变化以及植物、土壤等复杂背景干扰时表现不佳。为了克服复杂场景下番茄叶片病害的准确定位和分类难题，本文提出了一种基于YOLOv8的叶片病害实时检测方法。

本研究亮点如下：

•提出了一种新的番茄叶片病害实时检测YOLOv8-GK算法，该算法将全局信息感知空间金字塔结构与保持原始信息深度可分卷积技术(MODSConv)相结合。

•为了解决网络在捕获全局背景特征和边缘特征方面的不足，融合了不同池化层优点，提高了模型对输入图像的理解和识别能力。

•在网络中引入带有残差连接结构的深度可分离卷积，并结合残差连接机制的思想构建KOIDSConv，使原始特征信息有效地保留在网络深处，有效减小模型参数大小，从而进一步优化模型性能。

•基于第三方平台提供的数据集，构建了真实、准确反映番茄叶片病害状况的新数据集——番茄叶片病害检测数据集（Tomato Leaf Disease Detection Dataset，TIDD）。

结果表明，优化的GIP-SPPF模块保留了边缘交叉信息，在提高模型性能的同时有效降低了训练难度；YOLOv8-GK模型在本文构建的数据集中具有较好的检测性能，mAP高达98.06%。

为了使模型得到更广泛的应用，今后工作中将收集大量不同病害类型的高质量图像，将本研究方法转移到更多类型的番茄叶片病害检测中，并尝试将其推广到其他植物叶片病害检测任务中，以进一步检验所构建模型的性能和泛化能力。同时，在疾病检测的基础上，进一步探索判断疾病感染严重程度的方法，从而为农业生产中的疾病防控提供更加准确、科学的指导。

图1. YOLOv8-GK网络结构

图2. GIP-SPPF结构

图3. KOIDSConv结构

图4. P-R曲线

图5. 混淆矩阵

图6. 可视化检测结果的比较。(a)图像的真实标签；(b)原始YOLOv8模型的检测结果；(c)模型改进后的检测结果

表1.模型性能比较