基于注意力增强YOLO11n的迁移学习用于玉米作物病虫害分类器的精确高效识别

《Array》:YOLO-Based Transfer Learning for Accurate and Efficient Pest-and-Disease Classifier of Maize Crop

【字体: 大 中 小 】 时间:2026年08月28日 来源:Array 5.3

编辑推荐:

  玉米叶片病害与害虫相关症状对农业生产力构成重大挑战,而传统诊断耗时、主观且依赖专家知识。研究人员开发并评估了一种改进注意力增强YOLO11n(You Only Look Once version 11 nano)分类模型,用于准确且计算高效地识别玉米叶片病害、

  
玉米叶片病害与害虫相关症状对农业生产力构成重大挑战,而传统诊断耗时、主观且依赖专家知识。研究人员开发并评估了一种改进注意力增强YOLO11n(You Only Look Once version 11 nano)分类模型,用于准确且计算高效地识别玉米叶片病害、害虫相关症状及健康叶片。研究人员从埃塞俄比亚田间试验及Kaggle、ScienceDirect、Mendeley等公开数据集共收集30,033张玉米叶片图像,经行业标准数据增强扩展至31,500张用于训练与评估。预处理与归一化后,该改进YOLO11n模型与ResNet-50、EfficientNet-B2、ConvNeXt-Tiny、ViT-B/16及YOLO8在迁移学习与微调下基准比对。改进YOLO11n测试准确率达97.6%,宏F1分数(macro-F1)97.81%,单图平均推理时间0.2 ms,优于上述基准模型。五折交叉验证进一步证实模型表现的统计可靠性与鲁棒性。使用乌干达、加纳、南非玉米叶片数据集的独立外部验证总体准确率97.0%,表明其在地理差异显著且未见过的图像采集条件下性能稳定。这些发现证明该模型具备强预测性能、计算效率与地理泛化能力,支持其在资源受限农业环境中实时玉米病害与害虫分类的潜力。
研究背景方面,玉米作为全球主食作物对粮食安全至关重要,但普通锈病(Common Rust)、灰斑病(Gray Leaf Spot)、叶枯病(Leaf Blight)等叶部病害及草地贪夜蛾(Fall Armyworm)等害虫症状日益威胁产量。撒哈拉以南非洲小农普遍依赖农艺师目视诊断,该方法耗时、主观且专家依赖性强,在症状相似或环境变异下易误判。现有深度学习分类器多为非非洲数据集训练,难以适配本地品种与田间复杂背景,且常规卷积神经网络(CNN)偏重图像级识别,实时推理与跨域泛化不足。为此,研究人员开展一项基于非洲现场采集与公开数据融合的改进注意力增强YOLO11n迁移学习框架研究,以解决实时、轻量、可跨地理泛化的玉米病害害虫分类问题。论文发表于《Array》。
关键技术方法上,研究人员构建含埃塞俄比亚Haramaya大学田间智能手机RGB图像(健康3,520张、普通锈病3,145张)及Kaggle、ScienceDirect、Mendeley中利比亚、坦桑尼亚等非洲区域样本的30,033张初始队列,经类平衡增强至每类3,500张共31,500张;预处理采用直方图均衡化、高斯与中值滤波联合去噪、双线性插值缩放至224×224(CNN系)或256×256(YOLO系)、HSV阈值分割;改进YOLO11n以Ultralytics预训练权重初始化,骨干嵌入CBAM(Convolutional Block Attention Module)与原有C2PSA空间注意力,颈层多尺度融合,头部九类SoftMax分类,迁移学习采用冻结-解冻微调,Adam优化器(学习率5e-4、batch 32、50 epoch、dropout 0.3、早停),Tesla T4 GPU基准测速,五折分层交叉验证,并以乌干达Makerere、加纳Mendeley、南非Kaggle共1,863张独立外部图像做地理泛化验证。
研究结果部分,按原文小节浓缩如下。
基线模型表现(4.1节)中,ResNet-50、EfficientNet-B2、ConvNeXt-Tiny、ViT-B/16及原始YOLO8、YOLO11在统一划分下测试准确率最高仅95.5%(YOLO8),EfficientNet-B2低至81.91%,训练-验证损失背离显示泛化弱,证明需迁移与注意力增强。
所提模型表现(4.2节)中,冻结-解冻迁移使ResNet-50等CNN验证准确率升至94.53%左右,EfficientNet-B2相对提升10.68%但绝对精度仍最低;YOLO系迁移后YOLO11n获top-1 97.6%、top-5 99.9%、验证损失0.138、单图推理0.2 ms、参数量1.54 M、3.3 GFLOPs,效率评分620.8,九类平均精度除叶枯病(0.947)与叶斑病(0.936)外近1.0,宏F1 97.81%,五折交叉验证均值0.974±0.0015,外部三国数据集总体97.0%。
讨论与结论翻译浓缩:研究人员指出,改进注意力增强YOLO11n通过CBAM与C2PSA互补抑制背景、强化病斑纹理及虫害啃食特征,在相似症状类(叶枯vs叶斑、条纹病毒vs锈病)上显著优于CNN与旧YOLO;轻量架构适配资源受限边缘部署;基于埃塞俄比亚-坦桑尼亚-利比亚混合训练集辅以三国外部验证,证实跨非洲地理泛化可行。结论为:该框架在精度、宏F1、推理时延、GFLOPs间取得最优平衡,可支撑撒哈拉以南小农实时玉米病虫害诊断,后续需扩至多传感器与更宽非洲生态区验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号