YOLO-Citrus：面向复杂农业环境的轻量化柑橘叶片病害高效检测模型

本综述系统提出了一种基于YOLOv11架构的轻量化改进模型YOLO-Citrus，通过集成C3K2-STA模块、ADown下采样策略和Wise-Inner-MPDIoU损失函数，显著提升复杂农业环境下柑橘病害检测精度。实验表明，该模型在mAP@0.5达到96.6%，模型体积减小25%（14.4 MB），计算量降低20.2%（17.0 GFlops），并成功部署于边缘设备实现实时检测（51.5 FPS），为柑橘病害智能预警与精准防控提供关键技术支撑。

　　

1 Introduction

柑橘产业作为全球重要的水果产业，在农业经济中占据关键地位。然而，柑橘栽培常受到溃疡病（canker）、黄龙病（HLB）、锈病（rust）和黑斑病（melanose）等多种病害的威胁，导致严重减产和经济损失。传统依赖人工观察的病害检测方法效率低、准确性差，难以满足大规模生产需求。近年来，基于计算机视觉和深度学习的目标检测技术为植物病害识别提供了新的解决方案。其中，单阶段检测器如YOLO系列因具有高速推理和良好性能的优势，更适合实时农业应用。然而，现有模型存在计算资源需求大、模型体积庞大、对复杂环境中遮挡和小目标病变识别能力不足等问题。此外，常用的IoU（Intersection over Union）损失函数在病变定位中存在局限性，特别是在叶片遮挡或边界模糊的情况下。因此，亟需开发一种轻量化、高效率、高精度的柑橘病害检测模型。

2 Dataset description

2.1 Data acquisition

数据集来自华南农业大学柑橘果园实验基地，涵盖溃疡病、黄龙病、锈病和黑斑病等多类病害。图像采集于6月至12月，使用佳能R8微单相机和iPhone 15 Plus手持设备，拍摄距离30–100 cm，在自然光条件下于上午10:00–11:30和下午2:30–4:00时段进行，以确保光照稳定、图像质量一致。

2.2 Data preprocessing

使用LabelImg工具对病变区域进行标注，按8:1:1比例随机划分训练集、验证集和测试集，分别包含1046、131和131张图像。通过灰度化、亮度调整、Cutout随机遮挡、噪声添加和色调增强等数据增强技术，将原始1308张图像扩充至3808张，其中溃疡病1026张、黄龙病882张、锈病714张、黑斑病711张。所有图像统一调整为640×640像素，以满足YOLO模型输入要求。

3 Method

3.1 The YOLOv11 network structure

YOLOv11是Ultralytics团队推出的高效目标检测算法，继承YOLO系列优良特性，适用于高精度和实时性要求场景。相比YOLOv8，YOLOv11用C3K2模块替代C2f模块，增强特征提取能力；在SPPF模块后增加C2PSA模块，提升多尺度特征融合能力；检测头采用无锚点设计和动态梯度分配模块，缓解目标定位与分类之间的矛盾。

3.2 Overview of our network

YOLO-Citrus基于YOLOv11s架构，针对农业场景中叶片遮挡、小目标检测和复杂背景干扰等挑战，引入三大创新模块：C3K2-STA增强特征判别能力，ADown实现轻量化下采样，Wise-Inner-MPDIoU提升边界框回归精度。该模型能够实时提取叶片特征并进行病害模式分析，适用于光线不均、枝叶重叠和环境噪声多的果园场景。

3.3 C3K2-STA

C3K2-STA模块将Triplet Attention机制嵌入Star Block形成Star-Triplet Attention，替代原有Bottleneck结构。通过深度可分离卷积、双分支特征变换（含ReLU激活的卷积+BN和直接卷积+BN）、元素乘法融合和Triplet Attention处理，增强跨维特征表达，减少冗余计算，提升对叶片纹理和病害边缘特征的提取能力。

3.4 ADown

ADown模块结合平均池化和最大池化操作，沿通道维度分割特征并分别卷积后拼接，能同时提取背景和边缘信息，显著减少参数和计算量。本研究用ADown替代YOLOv11中的CBS模块，在保持精度的同时降低计算成本。

3.5 Wise-Inner-MPDIoU

针对CIoU损失在宽高比线性比例时失效、计算成本高的问题，提出Wise-Inner-MPDIoU损失函数。它融合WIoU v3的动态权重策略、Inner-IoU的最小面积归一化和MPDIoU的角点距离约束，通过权重系数λ₁和λ₂平衡不同约束项，提升边界框定位精度和收敛速度。

4 Analysis and interpretation of experimental results

4.1 Experimental platform

实验硬件为双RTX 4090 GPU（48 GB显存）和Intel 8360Y CPU，软件环境为Ubuntu 22.04 LTS、CUDA 11.8、Python 3.9.19、PyTorch 2.0.1。训练采用迁移学习，epoch=200，batch size=16，使用SGD优化器，并设置早停策略（100 epoch无改善终止）。

4.2 The assessment metrics for the network model

评估指标包括模型大小、GFlops、精确率（Precision）、召回率（Recall）、F1分数、平均精度（AP）和均值平均精度（mAP）。其中：

• •
  Precision = TP / (TP + FP)
• •
  Recall = TP / (TP + FN)
• •
  F1 = 2 × (Precision × Recall) / (Precision + Recall)
• •
  AP = ∫₀¹ Precision · dRecall
• •
  mAP = (1/N) ∑_i=1^N AP_i

4.3 Performance analysis of the benchmark model

对比YOLOv11系列模型，YOLOv11s在检测精度（mAP@0.5=95.2%）、模型大小（19.2 MB）和计算量（21.3 GFlops）间取得最佳平衡，故以此为基准模型。

4.4 Analysis of the ablation experimental results

消融实验表明：

• •
  单独添加C3K2-STA：mAP@0.5提升至95.7%，mAP@0.5:0.95达81.1%；
• •
  单独添加ADown：mAP@0.5保持95.7%，模型大小降至15.4 MB，计算量降至17.2 GFlops；
• •
  联合C3K2-STA和ADown：mAP@0.5:0.95提升至81.8%，模型大小14.4 MB，计算量17.0 GFlops；
• •
  融合Wise-Inner-MPDIoU：mAP@0.5达96.6%，mAP@0.5:0.95达81.6%，显著提升检测性能。

4.5 Performance evaluation of the YOLO-Citrus model

归一化混淆矩阵显示四类病害对角准确率分别为0.92（溃疡病）、0.96（黄龙病）、0.93（锈病）、0.97（黑斑病），加权平均F1分数达0.94（置信度阈值0.413），表明模型具有稳定的分类性能和较高的可靠性。

4.6 The comparative analysis mainstream object detection models

与YOLOv5s、YOLOv8s、YOLOv11s、RT-DETR-R50等模型对比，YOLO-Citrus在mAP@0.5（96.6%）、mAP@0.5:0.95（81.6%）、模型大小（14.4 MB）和计算量（17.0 GFlops）综合性能最优，且参数量（6.95M）较YOLOv11s减少26.2%。

4.7 Model deployment experiments

在NVIDIA Jetson Orin Nano边缘设备（8 GB内存，JetPack 6.1平台）部署YOLO-Citrus，采用TensorRT加速和FP16精度优化，推理速度达51.5 FPS，单帧处理时间18.4 ms，成功构建实时视觉检测系统，适用于果园现场应用。

5 Conclusions

YOLO-Citrus通过集成C3K2-STA、ADown和Wise-Inner-MPDIoU三大模块，显著提升柑橘病害检测精度和效率，在保持轻量化特性的同时实现高性能目标检测。模型具备高精度（mAP@0.5=96.6%）、低资源消耗（模型体积14.4 MB，计算量17.0 GFlops）和强实时性（51.5 FPS）优势，为柑橘病害智能监测与精准防控提供有效技术支撑，具有广阔的农业应用前景。