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/PMC13306718/pdf/plants-15-01928.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文提出一种融合双稀疏选择注意力（DSSA）机制的改进 YOLOv11 模型，实现了苹果叶片病害的高精度、实时检测，为智慧果园病害巡检提供了可靠的技术方案。
PART/1
行业痛点
人工巡检的模式在规模化种植场景下短板十分突出：
：单人单日仅能完成 5~8 亩果园的巡查，难以适配大面积种植的常态化巡检需求；
：早期病斑特征细微，不同检测人员的判断差异明显，整体误判率可达 15%~25%；
：基层农技人员缺口大，中小种植户难以及时获得专业诊断，常常错过最佳防治窗口。
随着计算机视觉与深度学习技术发展，基于目标检测算法的智能检测方案成为破局方向，其中 YOLO 系列凭借实时性强、推理高效的优势，成为农业病害检测的主流技术路线。
PART/2
核心技术
原生 YOLOv11 在面对细小病斑、复杂田间背景时，存在细粒度特征提取不足、背景干扰抑制弱的问题。研究团队通过嵌入 DSSA 注意力模块，针对性地解决了这一痛点。
1. DSSA：两级稀疏筛选，精准锁定病斑
双稀疏选择注意力（DSSA）是一种轻量化注意力机制，通过 “区域 - 像素” 两级筛选，聚焦高价值特征、过滤无效背景：
- 区域级筛选
：将特征图划分为网格，仅保留 25% 含病灶概率最高的区域，直接剔除大面积无关背景；
- 像素级筛选
：在保留的区域内，进一步筛选出 50% 的高价值像素，抑制区域内的背景噪声，强化病斑的细节特征。
双重筛选机制让模型既能精准捕捉微小、模糊的早期病斑，又能控制计算量，兼顾精度与速度。
2. 网络结构：无缝嵌入骨干网络
团队将 DSSA 模块嵌入 YOLOv11 骨干网络的 SPPF 层之后，完整保留了 “骨干 - 颈部 - 检测头” 的三段式原生架构，无需大幅改动网络结构即可实现性能提升。
3. 定制训练策略，保障稳定收敛
为适配新增的 DSSA 模块，团队针对性优化了训练配置：
初始学习率设为 5.0×10⁻⁵，搭配 8 轮训练预热，避免新模块参数震荡；
采用 AdamW 优化器替代原生 SGD，提升训练稳定性、降低过拟合风险；
搭配马赛克增强、随机翻转、HSV 色彩增强等数据扩充策略，同时禁用随机擦除，避免破坏细小病斑特征。
PART/3
实验
研究团队在包含 7594 张图像的专用数据集上开展实验，数据集覆盖黑腐病、健康叶片、锈病、疮痂病 4 个类别，包含极小病斑、光照不均、叶片重叠等多种复杂难例。
1. 核心指标断层式领先
与 YOLOv8、YOLOv9t、YOLOv10n、原生 YOLOv11 等主流轻量模型对比，改进后的 YOLOv11+DSSA 在所有核心指标上均取得大幅领先：
最终模型实现了：
- 精度 0.973
：大幅降低误检，预测结果可靠性更高；
- 召回率 0.978
：漏检率极低，尽可能覆盖所有病斑；
- mAP50 达 0.991
：目标定位与分类的综合精度接近满分；
- mAP50-95 达 0.949
：在 0.5~0.95 的严苛 IoU 阈值下，依然保持高精度。
2. 收敛快、泛化强，实际效果亮眼
训练过程中，模型仅需 20 轮左右即可进入稳定收敛状态，且验证损失与训练损失同步下降，无明显过拟合问题。
从精度 - 召回曲线来看，黑腐病、健康叶片、锈病三类的 AP 值均接近 1.0，识别难度最高的疮痂病也达到了 0.981，整体分类表现优异。
实际样本检测中，模型能精准框定病斑区域，各类病害的分类置信度普遍在 0.96 以上，即使背景复杂，也能准确区分目标叶片与干扰物体。
值得一提的是，在 GTX 1050 4G 的入门级显卡上，模型推理速度仍可达 32 FPS，完全满足田间实时巡检的性能需求。
PART/4
未来优化方向
目前方案仍有提升空间，后续研究将围绕三点推进：
扩充数据集，增加罕见病害种类，补充极端光照、严重遮挡等复杂田间场景样本，提升模型鲁棒性；
通过网络剪枝、模型量化等技术进一步轻量化，适配移动端、边缘端便携设备；
通过迁移学习将方案拓展至梨、桃、樱桃等其他果树的病害检测，实现跨作物泛化。
这套从算法优化到系统落地的完整方案，为苹果叶片病害检测提供了 “高精度 + 低成本 + 易操作” 的解决路径，也为 AI 技术赋能智慧农业、下沉田间场景提供了可参考的范本。
有相关需求的你可以联系我们！
热门跟贴