研究背景

中国是全球最大茶叶生产国，茶产业是农业增效、农民增收的重要特色产业。茶叶病害频发严重影响产量与品质，传统人工诊断效率低、误差大，常规植保作业以大面积施药为主，成本高、污染重。当前基于深度学习的病害检测技术，在真实茶园中易受光照、遮挡、阴雨等复杂环境影响，精度与稳定性不足，难以满足田间实时检测需求，成为智慧茶园发展的关键瓶颈。

近日，福建农林大学郑书河、翁武雄团队在ENGINEERING Agriculture期刊上发表了题为“GDE-YOLO: a robust and accurate method for real-time tea leaf disease detection in complex plantation environments”的研究论文，该研究基于YOLOv8n轻量模型，构建了GDE-YOLO检测模型，实现复杂茶园环境下茶叶病害高精度、高稳健性实时识别。

图1.不同环境条件和病害类型下的茶叶病害检测总体流程图。

研究挑战

复杂茶园环境下茶叶病害实时检测面临多重技术难题：一是病害目标小、症状相近，在逆光、阴影、叶片重叠遮挡条件下特征微弱，通用模型易漏检误检（图2、3）；二是轻量化模型精度不足，高精度模型计算量大、速度慢，难以在边缘设备部署；三是现有方法泛化能力弱，实验室与田间表现差距大，无法为智能农机提供可靠感知支持，制约茶园智能化升级。

图2.茶园环境及相应三种茶叶病害的叶片样本症状：（a）茶园，（b）茶藻斑病，（c）茶炭疽病，（d）茶白星病。

图3.不同环境下的茶叶病害：（a）顺光，（b）弱光，（c）逆光，（d）反光，（e）阴影，（f）污渍，（g）雨后，（h）叶片遮挡，（i）枝条遮挡。

研究突破

研究组构建覆盖多种病害与复杂环境的实地数据集，通过三项关键改进提升性能：在颈部网络引入全局注意力机制（GAM），强化病害特征并抑制背景噪声；利用多样化分支模块（DBB）优化C2f模块，在不增加推理成本的前提下提升多尺度特征表达能力；采用高效交并比（EIoU）损失函数替代完整交并比（CIoU）损失函数，提升边界框回归精度与收敛速度。实验结果显示，在复杂茶园场景和病害类型下，GDE-YOLO总体精确率达91.7%，较基础模型提升3.1个百分点，其中对茶白星病检测提升达12.4个百分点，速度保持80 FPS，满足实时检测要求。模型进一步在NVIDIA Jetson Orin Nano嵌入式平台部署，田间推理速度达18 FPS，在强光、遮挡、雨后等复杂条件下仍可稳定输出置信度大于0.8的检测结果，实现从实验室算法到田间可用系统的跨越（图4）。

图4.茶叶病害检测的热力图可视化。TALS：茶藻斑病；TA：茶炭疽病；TWS：茶白星病。

研究意义

该研究突破了复杂自然场景下农作物病害精准感知的技术限制，为茶叶全生长期智能监测提供了高效解决方案，也为为传统茶产业数字化转型注入了新质生产力。该模型具有轻量化、高精度、强泛化的特点，可广泛集成于茶园巡检机器人、无人机、精准喷雾机等装备，推动病害诊断从“人工判断”走向“实时在线感知”，防控方式从“大面积普防”转向“精准定点施药”，有助于减少农药使用量、降低农业面源污染、提升茶叶品质与生产效率。研究同时验证了轻量化深度学习模型在农业边缘侧设备部署的可行性，为经济作物智能监测、智慧植保、精细管理提供了可复制的技术路径，对推动农业数字化转型、提升农业装备智能化水平具有重要实用价值。（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/fase/EN/10.15302/J-FASE-2026669