仅 0.92M 参数！向日葵病害识别轻量化模型 YOLO‑CGA，树莓派端实时落地

来源：市场资讯

（来源：计算机视觉研究院）

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12813072/pdf/fpls-16-1728123.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

精准识别作物病害，是保障产量与品质的关键。但田间杂草、遮挡、复杂背景，让大模型难部署、轻模型不准。

本文提出YOLO‑CGA 轻量化协同优化模型，在向日葵病害识别上实现精度与速度双突破，已成功部署树莓派，真正做到田间随手测。

PART/1

痛点

痛点：田间病害识别，卡在 “精度 — 轻量化” 两难

传统人工识别：效率低、误差大。

现有深度学习模型：参数大、算力要求高，边缘设备跑不动。

复杂田间环境：土壤、杂草、阴雨、叶片遮挡，关键病斑特征易丢失。

研究目标：做一个小参数、高精度、强抗干扰，能在树莓派实时运行的病害识别模型。

PART/2

方案

方案：三大创新模块，打造 YOLO‑CGA

以YOLOv8n‑cls为基线，做三重轻量化 + 特征增强改造：

1. CBAM_ADown：注意力 + 非对称下采样

• 融合 CBAM 通道 + 空间注意力，强化病斑、压制背景噪声。

• 用 ADown 保留细粒度纹理（锈病孢子层、霜霉白层）。

• 效果：参数↓19.56%，精度↑2.43%。

2. C3Ghost：Ghost 卷积轻量化主干

• 用 Ghost 卷积替换 C2f，低算力生成细粒度特征。

• 效果：参数↓35.84%，精度基本不掉。

3. AFC_SPPF：多分支自适应融合池化

• 4 分支并行：恒等映射 + 多尺度池化，覆盖毫米到厘米级病斑。

• 最优主干核 K=5，部署在最后一层 C3Ghost 后效果最佳。

• 效果：多尺度识别能力大幅提升。

【YOLOv8n‑cls 与 YOLO‑CGA 结构对比图】

【ADown 与 CBAM_ADown 模块结构图】

【C3Ghost 模块结构图】

【SPPF 与 AFC_SPPF 模块结构图】

PART/3

结果

结果：精度拉满，轻到能揣进树莓派

1. 核心指标（BARI‑Sunflower 数据集）

• 参数量：0.92M

• 计算量 GFLOPs：1.4

• 识别准确率：98.48%

• 对比基线：参数↓36.6%，计算量↓58.8%，精度↑2.96%。

【消融实验结果表】

【主流轻量模型对比结果表】

2. 泛化能力：跨作物同样能打

• 棉花病害数据集：98.32%

• FGVC8 苹果叶片数据集：91.11%

【跨数据集泛化实验结果表】

3. 可视化：更准聚焦病斑区域

YOLO‑CGA 激活热图边界清晰、定位精准，基线模型存在弥散与偏移。

【YOLOv8n‑cls 与 YOLO‑CGA 激活热图对比】

PART/4

落地

落地：树莓派 4B 部署，田间实时识别

1. 部署流程

PyTorch → ONNX → TensorRT INT8 量化，精度损失 < 0.5%。

2. 端侧实测性能

• 单图推理：128.7ms

• 帧率：7.8 FPS（满足实时≥5 FPS 要求）

• 内存占用：486MB

• 功耗：3.7W（充电宝可长时间供电）

【树莓派 4B 部署实物图】

【田间识别系统测试效果图】

【树莓派部署性能指标表】

PART/5

总结

本文核心结论

三模块协同：特征提纯 + 轻量化传输 + 多尺度融合，实现精度与轻量化双赢。

强泛化：跨向日葵、棉花、苹果病害均表现优异。

真落地：低成本边缘设备可部署，普惠小农与基层农技。

未来方向

• 扩充数据集类别与样本量

• 细粒度病害特征挖掘

• NAS 自动搜索更优结构

• 搭建 “识别 + 预警 + 防治” 一体化 IoT 系统

有相关需求的你可以联系我们！