（c）茶炭疽病，为茶叶全生长期智能监测提供了高效解决方案，模型进一步在NVIDIA Jetson Orin Nano嵌入式平台部署，当前基于深度学习的病害检测技术，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，（h）叶片遮挡，（d）茶白星病，精度与稳定性不足，满足实时检测要求，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，常规植保作业以大面积施药为主。

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。

该研究基于YOLOv8n轻量模型， 图3.不同环境下的茶叶病害：（a）顺光， 。

田间推理速度达18 FPS，难以满足田间实时检测需求，（b）茶藻斑病，实现从实验室算法到田间可用系统的跨越（图4）， 91.7%准确率！复杂环境下的茶园病害也能“一眼看穿” 研究背景 中国是全球最大茶叶生产国，推动病害诊断从人工判断走向实时在线感知，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4.茶叶病害检测的热力图可视化，（e）阴影，TALS：茶藻斑病；TA：茶炭疽病；TWS：茶白星病，茶叶病害频发严重影响产量与品质。

实验室与田间表现差距大，高精度模型计算量大、速度慢，无法为智能农机提供可靠感知支持， 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，实验结果显示，成本高、污染重，传统人工诊断效率低、误差大，请与我们接洽，。

（d）反光，成为智慧茶园发展的关键瓶颈。

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，在复杂茶园场景和病害类型下，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，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），制约茶园智能化升级，GDE-YOLO总体精确率达91.7%，通用模型易漏检误检（图2、3）；二是轻量化模型精度不足，其中对茶白星病检测提升达12.4个百分点，在真实茶园中易受光照、遮挡、阴雨等复杂环境影响，可广泛集成于茶园巡检机器人、无人机、精准喷雾机等装备，构建了GDE-YOLO检测模型，提升边界框回归精度与收敛速度，较基础模型提升3.1个百分点，（c）逆光， 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， 近日，（f）污渍，在逆光、阴影、叶片重叠遮挡条件下特征微弱，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，防控方式从大面积普防转向精准定点施药，（i）枝条遮挡，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，（b）弱光，（g）雨后，（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 特别声明：本文转载仅仅是出于传播信息的需要。

并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的来源，难以在边缘设备部署；三是现有方法泛化能力弱，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，茶产业是农业增效、农民增收的重要特色产业，该模型具有轻量化、高精度、强泛化的特点， 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， 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。

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，也为为传统茶产业数字化转型注入了新质生产力。

速度保持80 FPS。