-
题名基于改进YOLOv11n的多尺度茶叶病害检测方法
- 1
-
-
作者
肖瑞宏
谭立新
王日凤
宋敏
胡程喜
-
机构
湖南农业大学信息与智能科学技术学院
湖南信息职业技术学院电子工程学院
广西科技师范学院人工智能学院
长沙幼儿师范高等专科学校
湖南软件职业技术大学
-
出处
《智慧农业(中英文)》
2026年第1期62-71,共10页
-
基金
中国高校产学研创新基金——新一代信息技术创新项目资助课题(2022IT82)
广西科技计划项目(桂科AD23026282)
湖南省教育科学规划课题(XJK24BZY037)。
-
文摘
[目的/意义]传统模型使用传统标准化数据集训练后,对实际识别中较远或较近的多尺度茶叶病害目标存在错检或漏检,以及性能不足的情况。针对茶田病害巡检时存在的茶叶病害检测环境中病害形态多样、识别距离不固定且容易受到背景影响而被误判漏判等问题,本研究提出一种集成多尺度特征分解、可切换空洞卷积与自适应空间融合的改进模型YOLO-SADMFA(YOLO Switchable Atrous Dynamic Multi-Scale Frequency-Aware Adap⁃tive)。[方法]增加模型卷积、特征提取、上采样与检测头轮次加强多尺度能力,提出一种多尺度特征分析解算与动态频率调整融合的动态多尺度频率感知上采样模块进行上采样。首先,该模块可以在有效融合多尺度特征的情况下控制上下采样的信息丢失;其次,引入可切换空洞卷积模块代替原有跨阶段部分核心模块,通过结合不同的空洞率结果进一步加强捕捉目标多尺度信息,同时采用权重锁定机制提升了模型性能;最后,在head结构中引入自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF),其技术特性形成ASFF检测头,自适应地学习空间融合权重,有效地过滤相冲突的信息。同时建立了1个含有2880张图像9种茶叶病害类别的茶叶病害数据集。[结果和讨论]该方法在茶叶病害检测的任务中精确度、召回率和平均精度值分别为89.7%、82.6%和86.3%。YOLOSADMFA较原版YOLOv11n模型精确度、召回率、平均精度值分别提升4.4、8.4、3.7个百分点,尤其在处理病斑面积占比10%~65%的多尺度目标时表现突出。在低光照、复杂背景等田间实际场景下,模型仍保持较高的检测稳定性,能够有效区分形态相似的病害类型,并在边缘计算设备上实现约161帧/s的实时检测速度。[结论]本研究所提出的YOLO-SADMFA有效解决了茶园复杂环境下多尺度病害检测难题,显著提升了检测准确性和鲁棒性,为自动化茶叶病害巡检系统提供了可靠的技术支持,对促进茶产业智能化发展具有重要应用价值。
-
关键词
YOLO
茶叶病害
目标检测
dmf-upsample
ASFF
-
Keywords
YOLO
tea leaf diseases
object detection
dmf-upsample
ASFF
-
分类号
S225.99
[农业科学—农业机械化工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
