亚麻（Linum usitatissimumL.）是一种重要的油料作物，在全球温带地区广泛种植。然而，多种病虫害严重制约了其产量和品质潜力。传统的监测方法，如人工田间巡查、生物诱捕和化学分析，存在劳动强度大、效率低、时效性差等局限性，难以满足大面积种植的及时监控需求。随着深度学习技术的发展，基于计算机视觉的目标检测方法，特别是YOLO系列模型，已在农业病虫害监测中展现出巨大潜力。然而，在复杂的田间实际环境中，目标尺度变化大、背景杂乱、光照不均，且病虫害目标通常较小，给现有模型的准确检测带来了巨大挑战。此外，许多模型体积庞大、计算成本高，难以部署在计算资源有限的边缘设备上。为了应对这些挑战，一项最新的研究在《Agriculture》期刊上发表，提出了一种基于YOLOv11的改进轻量化模型，专门用于复杂田间环境下的亚麻病虫害精确检测。
本研究主要采用了基于深度学习的目标检测技术框架。研究人员首先构建了一个包含七类常见亚麻病虫害（包括5种害虫和2种病害）的专用图像数据集，共计986张原始田间图像，并采用了实例级数据增强策略以增加数据多样性并缓解类别不平衡问题。在模型架构上，研究以YOLOv11为基线，引入了三个关键的改进模块：一是自适应下采样模块（ADown），用于在减少计算冗余的同时更好地保留小目标的细粒度特征；二是C3K2-STAR模块，旨在增强对空间和通道关键信息的建模能力，以强化特征表征；三是引入了辅助检测头，在训练阶段提供额外的监督，以改善浅层特征的优化和小目标检测的稳定性。这些改进旨在提升模型在复杂背景、目标尺度多变和小目标情况下的检测性能。
2. Materials and Methods
2.1. Dataset Description
本研究的数据于2024年6月至7月采集自中国甘肃省的三个地点，涵盖了亚麻开花期这一病虫害高发阶段。数据采集考虑了多种视角、时间和天气条件，并使用华为智能手机拍摄，最终构建的数据集包含了五种主要害虫（Blister Beetle, Grasshopper, Flax Flea Beetle, Beet Webworm, Sesame Webworm）和两种常见病害（Flax Yellows, Fusarium Wilt）的图像。经过预处理和实例级数据增强后，数据集扩展至2000张图像，并随机划分为训练集和验证集。
2.2. Improved YOLOv11 Network Architecture
2.2.1. YOLOv11 Baseline Network
YOLOv11是一个实时的单阶段目标检测模型，由主干网络、颈部网络和检测头构成。其基线网络在复杂田间背景下检测小目标时存在局限性。
2.2.2. Improved YOLOv11 Architecture for Flax Pest and Disease Detection
提出的改进模型架构如图3所示。主要改进包括：在主干网络中用ADown模块替换标准卷积层；在颈部网络中用C3K2-STAR模块替换所有C3K2模块；并在网络中间层加入两个仅在训练阶段使用的辅助检测头。这些改动旨在增强特征提取、多尺度融合和训练稳定性。
2.2.3. Adaptive Downsampling (ADown) Module
ADown模块的结构如图4所示。它采用内容感知的采样机制，根据特征显著性动态调整下采样过程，在保留信息丰富区域细节的同时，对背景区域进行更积极的下采样，以减少冗余并避免小目标细节丢失。
2.2.4. C3K2-STAR Module
C3K2-STAR模块是对原有C3K2模块的增强，通过集成空间注意力机制和残差连接，增强了模型对病虫害关键空间特征的捕捉能力和判别性特征表示。
2.2.5. Auxiliary Detection Heads
辅助检测头在训练阶段被引入到网络的浅层和中间层，通过计算辅助损失，为这些层提供额外的梯度信号，从而加速网络收敛并改善对小目标和弱目标的检测能力。在推理阶段，这些辅助头被移除，因此不增加额外的计算开销。
本研究通过系统的实验验证了所提改进模型的有效性。在构建的亚麻病虫害数据集上，改进后的YOLOv11模型在多个评估指标上均表现出色。在均值平均精度（mean Average Precision, mAP）指标上，所提模型在IoU阈值为0.5时（mAP@0.5），优于Faster R-CNN、RT-DETR-ResNet50、YOLOv3-tiny、YOLOv5n、YOLOv8n、YOLOv11n和YOLOv12n等多个主流及轻量化对比模型，提升幅度在2.2到7.3个百分点之间。对于更严格的评估指标mAP@0.5:0.95，该模型同样表现优异，在多数对比模型上取得领先，并与YOLOv8n性能相当。与此同时，模型在轻量化方面取得了显著成果。与对比模型相比，所提模型的参数量（Parameters）减少了14.5%至94.8%，计算量（GFLOPS）减少了12.7%至95.6%。例如，相较于原始的YOLOv11n，改进模型的参数量和计算量分别降低了15.1%和12.7%。这些结果表明，该模型在保持甚至提升检测精度的同时，实现了大幅度的模型压缩，凸显了其高效性。消融实验进一步证实了每个改进模块（ADown, C3K2-STAR, 辅助头）对最终性能的积极贡献，特别是对于小目标病虫害的检测精度有明确提升。
综上所述，这项研究针对复杂田间环境下亚麻病虫害检测的难点，提出并验证了一种高效的轻量化改进YOLOv11模型。通过构建专用数据集、引入自适应下采样、增强特征模块和辅助监督机制，该模型在检测精度和计算效率之间取得了良好的平衡。实验结果表明，其性能优于多种现有模型，同时模型大小和计算需求显著降低。这标志着该模型不仅适用于实际的亚麻病虫害监测任务，也具备了部署到计算资源有限的边缘设备（如农田监测终端、无人机等）上的潜力，为推动智慧农业中实时、自动化的病虫害识别提供了一种可行的技术方案。尽管该研究取得了积极成果，但作者也指出，未来需要在更多样化的场景和更大规模的数据集上进行验证，以进一步评估其泛化能力和鲁棒性。
