基于YOLOv11与知识图谱的棉花病虫害实时语音边缘诊断系统

本文推荐一项融合深度学习与知识图谱的棉花病虫害智能诊断研究。作者构建了包含3000+三元组的病虫害知识图谱，采用LAMP剪枝与师生蒸馏策略优化YOLOv11模型，最终模型参数量仅0.3M，在边缘设备实现mAP50=0.835、52FPS的实时检测，并通过语音交互输出诊断建议，为农业智能化提供高精度、低延迟的端到端解决方案。

　　

引言

棉花作为全球重要经济作物，其生产长期受病虫害威胁，年均产量损失超20%。传统依赖人工巡查和专家诊断的方式存在效率低、专业人力稀缺、误诊风险高等问题。随着劳动力成本上升和农村人口外流，农业生产对自动化检测技术的需求日益迫切。近年来，人工智能尤其是深度学习技术为作物病虫害识别带来新机遇，目标检测模型如YOLO系列、Faster R-CNN和SSD在多种作物病虫害识别中表现优异。然而，仅依靠图像识别难以提供全面诊断推理和具体防治建议，成为智能病虫害管理系统发展的关键瓶颈。

知识图谱技术作为领域知识表示与推理的先进手段，在农业领域逐渐兴起。通过整合结构化、半结构化和非结构化数据源，知识图谱能有效组织病虫害相关信息（如症状、传播途径、致病机制和防治措施），并借助推理方法支持决策制定。尽管知识图谱在医疗、教育等领域已取得成果，但农业病虫害知识图谱构建仍处于起步阶段，其准确性、覆盖范围和实用价值有待提升。同时，将知识图谱与深度学习目标检测输出融合，实现诊断与防治一体化的智能系统，是当前研究的重要方向。

边缘计算与物联网技术的发展显著提升了边缘设备的计算能力，使得复杂深度学习模型实时运行成为可能。NVIDIA Jetson Xavier NX等平台以其强大算力、高能效和便捷部署特性，为农业环境中的目标检测和知识推理提供技术基础。通过将目标检测与知识图谱推理集成到边缘设备，可实现病虫害及时精准诊断，同时降低网络带宽依赖和延迟，提升田间决策响应速度与可靠性。

此外，考虑到一线农业从业者信息技术经验有限，直接解读图像识别结果或文字报告存在困难。通过语音播报方式向农户传递诊断结果和防治建议，有助于打破沟通壁垒，提升信息可及性和操作便利性，推动农业生产智能化发展。

基于上述背景，本研究开发了一套集成目标检测、知识图谱推理和语音交互的棉花病虫害智能诊断系统，旨在提升病虫害诊断的准确性与效率。主要贡献包括：

• •
  引入基于StyleGAN-XL的多维数据增强方法，生成高质量病虫害图像，缓解数据稀缺和同质化问题；
• •
  应用LAMP剪枝技术实现模型压缩与优化，支持Jetson Xavier NX等边缘设备高效部署；
• •
  提出新型教师-助理-学生知识蒸馏框架，通过软知识传递提升学生模型性能，弥补剪枝带来的精度损失；
• •
  构建融合爬取数据、专家知识和知识融合的棉花病虫害知识图谱，基于Neo4j实现图存储与高效推理，增强系统诊断与防治推荐能力。

系统总体设计与框架

系统设计目标与整体架构

系统旨在构建适用于真实农业场景的智能识别与交互平台，结合图像分析、知识推理和语音输出，实现从感知到解释的闭环诊断流程。整体架构平衡高精度、高速度与结构化语义数据管理，以清晰友好的输出为农户提供可靠决策支持。系统采用模块化设计，包括图像采集与预处理、目标检测、知识图谱推理、边缘计算推理融合和语音交互五大核心模块，通过RESTful API进行模块间通信，数据交换采用结构化JSON格式。

图像采集与预处理模块

作为系统主传感接口，配备自动对焦和自适应光照的田间相机，确保不同天气和光照条件下成像清晰。采集图像经过曝光校正、伽马调整、灰度归一化和边缘增强处理，减少阴影和复杂背景噪声。采用多角度补充采集和相机微移冗余图像融合策略，提升角度和遮挡鲁棒性。

目标检测模块

基于YOLOv11n架构开发YOLOv11-LDNet模型，专注于叶片表面细微病变检测。采用LAMP剪枝实现轻量化，模型转换为ONNX格式并通过TensorRT加速，在Jetson Xavier NX上实现毫秒级检测速度。模块包含置信度评分和多目标重排序功能，支持多病害同时出现时的优先级多标签输出。

知识图谱推理模块

基于Neo4j平台构建，覆盖主要棉花病虫害全生命周期信息，包括病原体、症状、传播途径、气候诱因、防治策略及相关语义链接。支持分层推理和病害比较，采用加权关系链和路径规则，即使在输入标签不明确时也能推荐实体。支持专家知识增量添加，并引入实体消歧机制减少标签模糊性错误。结构化知识经自然语言模板格式化后传输至语音模块。

边缘计算推理融合模块

支撑系统智能与自治的核心，所有模型和知识图谱在Jetson Xavier NX本地运行，支持离线使用。线程池管理实现检测与推理并行执行，充分利用边缘计算资源。采用缓存优先的知识查询策略：常见病害数据和建议存储于本地内存，标签匹配时实现秒级响应。针对田间部署，系统支持低功耗运行和电池管理，无外接电源可持续工作6小时以上。

语音交互模块

通过轻量级TTS引擎将结构化诊断和建议转换为自然语言语音输出，支持多语言、可调节语速和关键词强调。具备智能播控、蓝牙输出和中断处理功能，避免消息重复并确保无屏幕环境下清晰及时反馈。对于模糊或多标签结果，依次播报所有发现和建议；若不确定性持续，系统请求用户澄清或总结可能情景。

模块集成与系统交互机制

RESTful API管理模块间通信，所有数据以结构化JSON格式交换。目标检测模块输出病虫害标签后，通过中间件发送至知识图谱引擎，引擎返回结构化解释并经语言模板格式化后由语音输出，形成检测到播报的完整闭环。所有模块异步并发运行，减少传输延迟，提升用户响应速度。

部署适应性与环境鲁棒性

设计考虑实际农业部署需求：相机具备IP65防水等级，主控单元防过热防震，语音模块配备户外降噪。针对电力和网络中断，系统包含自动恢复、缓存同步和离线知识模式。通过对比度和清晰度指标实时监控图像质量，模糊或遮挡时触发自动重采集。支持离线操作，连接可用时每日数据同步，离线期间检测结果和日志本地保存，重连后差分同步协议仅上传新增或变更记录，最小化带宽使用。专用电池和电源管理支持6小时以上自主运行，事务日志和检查点保障数据完整性，确保系统在田间电力和带宽限制下可靠工作。

棉花病虫害知识图谱构建

知识图谱构建目标与方法

知识图谱作为连接数据与知识层的桥梁，系统整合碎片化、异构农业信息，支持棉花病虫害防治的有效诊断与决策。农业场景中病虫害问题通常涉及复杂多维关系，传统数据库和搜索方法难以提供深度推理支持。本研究构建的棉花病虫害知识图谱遵循全面信息整合、高效语义推理和深度决策支持的设计原则，在目标检测初步识别病害后提供更丰富、准确的语义细节和针对性防治建议。

知识图谱整合多源数据，包括农业出版物、专家库、网络百科和政府文档，建立覆盖六类实体的语义网络：病害类别、症状谱、病原类型、感染阶段、传播途径和防治策略。该网络结构通过捕捉不同实体间语义链接支持动态推理和快速检索。

结构设计采用有向图表示方法，其中V代表实体集合，E代表实体间关系边集合，R代表关系类型集合。每个实体节点映射到高维空间形成向量表示，支持后续实体语义相似度计算。通过TransE算法实现图嵌入，优化目标基于边界阈值的Hinge Loss形式区分正负对。

数据获取与信息处理方法

数据采集阶段使用定制网络爬虫从百度百科、农业农村部病虫害数据库等平台获取公开资源。处理非结构化文本时应用HanLP和BERT-CRF进行命名实体识别和关系抽取。邀请田间技术人员参与术语标注验证，确保数据集可靠性和领域准确性。知识融合采用语义向量空间建模实现实体对齐，基于预训练BERT模型生成候选实体上下文嵌入，通过余弦相似度计算实体间关系。当相似度大于0.85时判定为同一实体。同时设计人工专家验证机制处理模型无法准确判断的边缘情况，提升知识图谱质量。

为清晰展示知识图谱实体覆盖和核心概念结构，研究总结了系统中七大类实体类的示例，这些类别构成图谱语义网络的基本节点类型，对应病虫害识别与管理的核心知识域。每类包含代表性实例，包括系统重点关注的主要棉花病虫害类型（如蚜虫、棉铃虫、叶斑病等）及其相关传播与防治信息。

模式映射与工作实例方面，将七个检测目标映射到两个顶级Neo4j标签：害虫（蚜虫、棉铃虫）和病害（叶斑病、叶枯病、枯萎病、灰霉病、卷叶病），这些节点与五个辅助域连接用于诊断和推荐：病原体、症状、传播方式、生长阶段和防治方法。核心关系类型和代表性节点属性包括致病关系、具有症状、传播方式、影响阶段和治疗关系等。

以"叶斑病"为例实例化最小可操作子图，将病害节点与代表性病原体、症状和防治方法连接。使用MERGE语句和稳定标识符保持更新幂等性。 actionable检索通过扩展疾病中心的2跳邻域返回结构化字段，包括病原体、症状、防治措施、传播方式和影响阶段等信息。

消歧与融合方面，结合基于BERT的余弦相似度（阈值0.85）、科学名/常用名的高精度匹配词典和专家覆盖规则处理边缘案例。冲突解决按优先级排序：专家 > 词典 > 模型评分，保持融合确定性同时允许增量专家 curation。

图存储、推理与维护机制集成

为实现识别后的语义响应和策略推荐，知识图谱的查询速度、推理深度和更新灵活性是维持可用性和系统持续智能化的基础。知识图谱使用Neo4j存储，实体和关系表示为节点和有向边，支持高效图遍历。通过Python接口与Neo4j交互，支持任何实体或路径的查询、插入和更新，Cypher查询与Python脚本集成满足部署需求。

示例查询可检索与"棉花灰霉病"相关的所有症状节点，并可类似扩展搜索药物防治或传播途径。为提升响应效率，对频繁访问实体实施高优先级索引系统，增加基于历史查询的缓存管理模块，使图谱在高并发和边缘端推理下保持轻量。推理方面，系统利用基于语义路径模板的可配置引擎。例如检测到"叶枯病"时构建推理链："叶枯病" → "稻瘟病菌"（引起）→ "空气传播"（通过传播）→ "25°C以上高湿环境" → "生物制剂+药物轮换"（通过治疗）。这些推理步骤根据环境条件和规则动态更新，生成自然语言摘要如："诊断为棉花叶枯病，潮湿条件下铃期易发。推荐轮换施用枯草芽孢杆菌和多抗霉素，每7天喷施一次。"输出传递至语音模块实现实时用户反馈。

图谱更新采用混合机制，结合自动爬取抽取和专家人工验证。每月系统从可信源收集新农业知识，NLP模型抽取新实体和关系，之后植物保护专家审核、解决冲突并删除过时或错误数据。这种两步过程通过频繁自动更新与定期专家检查相结合保障更新可靠性。目前知识图谱每月更新，未来改进将聚焦实时增量学习，使田间检测或专家输入的新知识能够立即整合。系统设计持续整合实时检测的新信息，实现知识图谱与检测模型双向迭代更新，不仅提升识别准确性，还保持知识库与农业发展现状同步。

基于深度学习的目标检测模型

数据集构建与分布设计

深度学习病虫害检测中，数据集不仅是模型训练基础，更是泛化性、鲁棒性和部署性能的关键决定因素。本研究构建高质量棉花叶部病害和害虫识别图像数据集，聚焦将"场景复杂性"和"语义多样性"融入模型开发早期，为检测模型在真实部署中的可迁移性和实效性提供坚实基础。

数据集包含8000张图像，覆盖七类主要棉花病虫害：蚜虫、棉铃虫、叶斑病、叶枯病、枯萎病、灰霉病、卷叶病，以及健康样本辅助类别区分和边界特征学习。数据采集覆盖主要棉产区，包括南疆、黄河流域和湖北高产区的晴天、雨后、多云和晨昏时段采样，构建"跨场景、跨时间、跨区域"的语义空间，捕捉不同环境和时间设置下病虫害的多样视觉呈现。图像采集采用手持和低角度地面方法，地面图像利于病变模式细节捕获，无人机图像贡献尺度感知和田间空间上下文。系统采用多角度方法（包括俯视、仰视和斜视）提升数据集对视角的鲁棒性，减少模型对特定相机位置的依赖。

此外通过网络爬取和开源图像库获取补充数据。采用关键词匹配和图像过滤的自动化爬虫框架从各农业技术平台和开放图像源收集相关病虫害图像。爬虫系统具备分布式多线程架构，集成图像哈希去重和自动标签分类对收集图像初步组织过滤。为确保图像质量和标注可靠性，三名植物保护专家参与人工审核验证过滤样本标签，重点关注"早期灰霉病"、"晚期棉铃虫聚集"和"背光下叶枯病"等原始田间摄影中罕见但关键的类别。

所有图像标准化至640×640或更高分辨率，保留叶片脉纹、昆虫轮廓和病变边缘扩散等 essential 微观细节。此外故意包含多种干扰源，如背光、可变光照、枝叶遮挡和水渍伪影，提升模型在非理想条件下的鲁棒性。

StyleGAN-XL训练方法

为解决某些棉花病虫害类别和场景数据不足的挑战，本研究引入基于StyleGAN-XL的图像合成机制，生成高质量、语义多样的合成样本，提升检测模型在少样本和复杂案例中的性能。StyleGAN-XL以其高分辨率和可控性擅长再现结构细节和纹理变化，理想模拟农业病变图像的高频特征和颜色模式。本研究使用NVIDIA分布式多GPU框架训练StyleGAN-XL，原始和网络源图像调整至256×256作为输入。生成器采用分离隐空间与双空间映射，投影高斯隐向量至风格空间， employ 14个合成层和最多1024个通道精确捕捉细微病变特征。为增强空间连贯性和语义多样性，利用 alias-free 卷积和风格混合（概率0.9）。判别器采用 Projected Discriminator 架构，结合DeiT-Base Transformer和EfficientNet Lite0作为骨干，以及多尺度分支和可微分增强，实现 robust 空间-语义融合和有效处理病害图像尺度多样性。

训练后选择模型最后10000步生成图像进行FID（Frechet Inception Distance）和IS（Inception Score）评估。FID度量真实图像与生成图像特征分布间的Frechet距离，IS基于Inception-v3模型通过计算生成图像分类概率分布的KL散度评估图像多样性和真实性。StyleGAN-XL在FID和IS指标上均优于主流生成模型，表明其在分布一致性、结构保真度和感知质量方面具有显著优势。生成样本经专家评估确认在纹理结构、颜色分布和病害可识别性方面与真实图像性能相似。最终选择约2000张高质量伪图像加入原始训练集，并移除部分模糊样本。

最终数据集包含10000张图像，包括2000张专家筛选的高质量伪图像和8000张采集的真实图像，按7:2:1比例划分为训练集、验证集和测试集，确保充足训练数据和可靠性能评估。标注采用七类棉花病虫害作为多类别检测标签：蚜虫、棉铃虫、叶斑病、叶枯病、枯萎病、灰霉病、卷叶病。为清晰多标签条件下数据集组成，额外报告每个类别至少包含一个实例的图像数（"images w/class"）和标注实例总数（"instances"）。注意类别间"images w/class"总和超过10000，因为同一图像可能出现多个类别。

YOLOv11模型结构与优化设计

智能农业系统中，目标检测不仅是病虫害识别的第一道防线，更是下游语义推理和决策支持的感知门户。与传统图像分类不同，目标检测模型需在单张图像内定位和识别多个对象。棉花田间应用中，该任务进一步受背景杂乱、目标密度高和多尺度对象共存挑战，对模型鲁棒性、检测精度和实时响应提出严格要求。

为应对这些挑战，本研究基于YOLOv11架构开发棉花病虫害检测模型YOLOv11-LDNet（YOLOv11-LAMP-pruned & Distilled Network）。网络在此基础上引入一系列架构优化和部署适配，满足农业田间场景需求，形成专为边缘设备小目标检测设计、能处理多病虫害类别的解决方案。

YOLOv11作为Ultralytics开发的YOLO系列最新一代，引入一系列架构改进，旨在广泛视觉任务（包括目标检测、实例分割和姿态估计）中实现精度与效率间更好平衡。骨干网络整合新设计的C3k2模块增强特征复用同时降低计算开销，结合SPPF（Spatial Pyramid Pooling – Fast）层提升感受野覆盖而不显著增加推理延迟。此外架构集成C2PSA（Convolutional block with Parallel Spatial Attention）机制，加强全局-局部特征交互，提升杂乱场景中的鲁棒性。检测头保持解耦用于分类、目标性评分和边界框回归，提升多目标环境中的收敛稳定性和性能。相比YOLOv8，YOLOv11以更少参数实现更高mAP，适用于高性能服务器和资源受限边缘设备部署。

类别设置与数据标注系统

本研究开发 specialized 七类目标检测系统应对棉花田间病虫害识别真实场景，覆盖两大组：害虫（蚜虫、棉铃虫）和病害（叶斑病、叶枯病、枯萎病、灰霉病、卷叶病）。每个目标类别呈现 distinct 视觉特征：如蚜虫体型极小、 tend 聚集、颜色与叶片背景相似，检测挑战大；叶枯病表现为扩散性、边缘模糊病变，可覆盖叶片 substantial 区域；卷叶病以显著几何变形为标志，需要形状感知建模。为提升此类多样目标识别精度，所有训练图像按照YOLO标准进行精细框级标注。建立统一标注系统支持多目标和细粒度设置下的精确检测。

LAMP模型剪枝

深度神经网络实际部署中，尤其是Jetson Xavier NX等边缘平台，冗余模型结构易成为瓶颈，限制实时推理和能效。尽管标准YOLOv11模型提供高检测精度，但其大量参数和计算负担限制其在资源受限农业场景中的使用。为克服这些限制，本研究采用全局剪枝技术——层自适应幅度剪枝（LAMP）。LAMP评估全网权重重要性并自适应逐层移除较不重要参数，同时保留关键结构特征。这种全局、层自适应剪枝方法由权重幅度驱动：每个权重重要性通过LAMP得分量化，剪枝基于归一化重要性分数。通过此机制，LAMP避免传统剪枝中"层崩溃"问题，保持模型紧凑性与检测精度间动态平衡。

LAMP方法中，分子代表单个权重的平方值，分母求和层内从当前位置到末端所有权重平方。该方法同时考虑每个权重的绝对大小和其在层内相对 significance，提供有效的重要性度量。剪枝规则 straightforward：如果权重的平方值大于其他权重，则其LAMP得分更高，被视为更重要。LAMP应用全局稀疏阈值并迭代移除最低得分权重直至目标达成，确保每层至少保留一个关键连接防止崩溃。这种自适应全局剪枝方案显著降低模型复杂度和资源使用，支持挑战性操作环境中的轻量化部署。

知识蒸馏

真实棉花病虫害检测中，杂乱背景、模糊病变边界和小虫体图像使准确判别对模型尤其挑战。这些问题在Jetson Xavier NX等资源受限设备上部署时更为突出，维持精度与模型大小间权衡至关重要。虽然剪枝等标准压缩方法可降低参数数量和计算需求，但它们常导致非线性信息损失，造成细微特征检测性能明显下降。

为应对这些挑战，本文采用分层协作知识传递方法——教师-助理-学生知识蒸馏（TAS-KD）框架，作为剪枝后恢复模型性能的核心策略。关键思想是通过中间助理网络介导知识流并保持架构一致性，将大型教师网络的丰富表示能力逐步传递到紧凑学生模型。此设置允许更有效灵活的蒸馏。

不同于标准蒸馏技术，本研究构建三元认知传递方案：教师模型提供全面多尺度语义表示作为信息源；助理网络桥接能力和任务表示差异，作为中介和语义压缩器功能；学生模型专注于轻量化结构同时向其他学习，以可部署性为关键目标。通过多阶段蒸馏，方法缩小模型间表示能力差距，帮助学生即使在严格参数限制下实现更好泛化和细微感知。

实际实现中，本研究采用软目标传递作为知识交付主要手段。除产生类别预测外，教师模型输出高维类别分布向量，编码隐含关系——如类别间相似性、背景上下文和目标相对位置。这些软标签比标准 one-hot（硬）标签携带更多信息，有助于指导学生模型处理棉花病虫害图像中挑战性区分，包括模糊叶片边界、重叠病变和遮挡虫体。

为进一步加强空间结构 preservation，助理模型不仅传递类别级语义，还传递每个目标的空间注意力图。通过类别和位置通道蒸馏知识，该方法使学生模型学习目标间上下文关系并在训练中保持边界一致性。因此学生获得改进的鲁棒性和灵活性，尤其在处理常见田间挑战如拥挤场景、小目标和模糊类别边界时。

改进的YOLOv11及其剪枝版本共享相同网络架构，仅通道数不同。两个头生成三个特征图，因此知识蒸馏过程同样适用于两者。训练中教师和学生模型并行运行，在每个特征图上计算损失。为此采用L2损失。

除特征图损失外，论文还对分类和回归损失进行蒸馏学习。回归蒸馏损失使用L2损失，分类蒸馏损失使用交叉熵损失。结合蒸馏损失和学生网络实际损失为最终学生网络损失。

模型训练与结果分析

实验环境配置

为全面评估棉花病虫害监测诊断方法，本研究开发强调效率与交互性的实时监测平台。平台集成基于深度学习的目标检测与知识图谱推理，实现棉花病虫害案例的准确识别和实时反馈。初始模型训练和优化在配备GeForce RTX 4090 GPU和Ubuntu 18.04 LTS的系统上进行。开发环境包括PyCharm 2020.3、Python 3.7.0、深度学习PyTorch 1.7.1和图像预处理OpenCV 3.4.6。

为满足资源有限农业环境部署需求，本研究采用LAMP剪枝和教师-助理-学生知识蒸馏框架，使YOLOv11n模型高效轻量化，大幅降低计算和存储需求。 resulting 优化模型成功部署于NVIDIA Jetson Xavier NX平台，实现能效与性能间有利平衡。同时系统知识图谱推理模块基于Neo4j构建，涵盖棉花病虫害类别、病原体、传播因子、症状和防治策略信息，提升推理准确性和智能化。图谱包含超5000节点和关系，支持复杂条件下全面诊断的多维关联。

为提升用户交互和系统可用性，平台具备实时交互界面，用户可直接查看病虫害检测结果和相关知识图谱数据。界面呈现病害类型、置信度、传播途径和防治建议等细节。用户也能根据需要提供即时反馈和记录操作。

模型训练参数设置

本工作采用随机梯度下降（SGD）作为优化器，动量参数设0.937以提升优化稳定性和效率。初始训练阶段包含200轮次，学习率0.01，使模型快速收敛可行解。随训练进行模型接近最优状态时，学习率在后续150轮次降至0.0001进行性能微调。为防止过拟合，引入权重衰减（L2正则化）0.0005。此外为应对权重初始化可能的不稳定性，使用预热策略：前三轮次学习率较低并逐渐增至预设值，帮助缓解早期训练困难。

实验结果与分析

为彻底评估所提智能棉花病虫害识别与语音交互系统真实性能，将训练优化后的YOLOv11模型——应用LAMP剪枝和分层知识蒸馏后——部署于Jetson Xavier NX边缘平台。系统随后在实际农业田间环境测试演示，评估其有效性和操作性能。

为进一步评估系统在不同图像分辨率和并发输入流下的实时性能，进行额外实验。在Jetson Xavier NX平台上，输入分辨率从640×640增至1280×1280时推理速度从52FPS降至24FPS，说明图像质量与处理速度间明确平衡。同时处理两个图像流时，每流帧率下降约一半，主要由于GPU内存和带宽限制。这些发现表明，虽然系统单高分辨率输入可实现实时检测，但多流或超高分辨率设置下性能受影响——部署时必须考虑的因素。未来工作将聚焦优化并行性和资源管理以提升多流场景性能。

为彻底回应评审反馈，系统在几个代表性边缘设备上基准测试：NVIDIA Jetson Nano、Jetson Xavier NX和台式PC（Intel i7-12700 + RTX 4060）。展示优化YOLOv11n模型在640×640单流输入下各平台的推理速度（FPS）。Jetson Xavier NX交付52FPS实时结果，Jetson Nano达成12FPS，台式PC超120FPS。这些结果证明方法的可扩展性，同时表明Jetson Nano或树莓派等更受限设备部署需要进一步模型压缩和加速。未来工作将扩展至其他平台评估并探索超轻量部署选项。

训练过程进一步检查显示，mAP₅₀曲线表明模型精度在初始训练阶段快速提升，反映病虫害基本特征有效获取。约100轮次后mAP₅₀在85%附近稳定，表明模型成功捕获复杂棉花病虫害场景中的 essential 模式，并在后期进入稳定最优训练状态。

DFL损失曲线提供额外证据支持此趋势。训练早期损失急剧下降，表明模型定位和分类病虫害目标能力快速提升。50轮次后损失降低速率放缓但仍稳定下降，证明模型仍在优化其详细识别能力。最终损失达相对较低值，确认模型在整个训练中 solid 收敛和有效优化。

为进一步验证所提YOLOv11n模型性能，比较多个模型变体和最先进基准，包括SSD、YOLOv8n和RT-DETR。结果呈现：YOLOv11n模型 delivery 最高平均精度（87.42%）、召回率（85.19%）和mAP₅₀（85.14%）值，同时提供最小模型大小（5.3MB）和最快推理时间（0.022秒）。这些发现表明，相对于其他领先框架，YOLOv11n实现效率与精度间强大平衡，尤其适合资源受限农业环境中的实时使用。

剪枝消融研究

为彻底评估各种剪枝策略对模型性能影响，进行LAMP剪枝和通道剪枝在30%和70%压缩率下的比较分析。所有模型在茶叶病虫害检测数据集上评估，利用相同YOLOv11n骨干和 identical 实验条件。

findings 表明LAMP剪枝在平均精度、召回率和mAP方面 consistently 优于通道剪枝，在30%和70%剪枝水平皆如此。值得注意的是，随着剪枝率增至70%，LAMP优势变得更加显著。此方法更好保留 essential 网络连接和关键特征，导致更高检测精度和稳定性，尤其在模型高度压缩时。这些结果建议LAMP剪枝特别适合资源受限农业设置中轻量检测模型部署。

知识蒸馏消融研究

模型剪枝基础上，进一步研究不同知识蒸馏策略对紧凑模型性能影响。具体比较常规直接知识蒸馏方法与教师-助理-学生（TAS）三阶段蒸馏方法，两者应用于70%剪枝YOLOv11n模型。

TAS蒸馏框架在教师和学生间并入助理模型，允许知识通过多阶段增量传递。实验结果表明，此方法相比直接蒸馏显著提升平均精度、