编辑推荐：
茶叶病害每年致茶业严重经济损失，传统检测耗时易误。研究人员开展茶叶病害检测研究，提出轻量高效的 TDDet。实验表明其 mAP 达 94.33%，优于先进模型，为病害防治提供新方案。
茶叶作为重要经济作物，其种植常因各类病害面临产量与质量下滑的困境，给茶农带来显著经济损失。传统依赖人工目视的检测方法不仅耗时，还易受人为误差影响，在复杂田间条件下检测精度低，且对早期病害存在数天的检测延迟。随着深度学习的发展，基于卷积神经网络（CNN）的检测方法虽提升了精度，但多数存在计算复杂度高、推理速度慢的问题，难以满足实时处理高分辨率图像或大规模数据的需求，在复杂场景中还可能出现误检、漏检及细节捕捉不足等情况。为解决这些难题，安徽农业科学院农业经济与信息研究所的研究人员开展了相关研究，提出了轻量高效的 TDDet 模型，该研究成果发表在《Computers and Electronics in Agriculture》。
研究人员主要采用了以下关键技术方法：在特征提取方面，使用深度可分离卷积（DW）降低计算量，同时引入多查询注意力（MQA）机制，通过共享查询并独立映射键和值，减少计算和内存开销，以优化计算效率并保留丰富特征细节；在特征聚合环节，提出跨尺度特征融合（CFF）模块，利用高效多尺度注意力（EMA）和部分卷积（PConv），前者通过大感受野探索空间位置关系以增强多尺度空间信息，后者选择性保留相关输入区域以降低计算成本和提高聚合效率；此外，采用动态上采样模块 DySample，通过动态调整特征图采样率来降低计算成本并提升模型性能。
整体架构
TDDet 沿用 YOLOv8 架构，针对特征提取和聚合进行优化，由 backbone、neck 和 head 三个关键模块组成，是可在资源受限的移动或边缘设备上运行的轻量级模型。
数据收集
茶叶病害数据集由安徽农业科学院农业经济与信息研究所研究人员采集，在安徽省当地茶园，使用配备 50mm 微距镜头的佳能 EOS 5D Mark IV 单反相机拍摄，该相机的 3040 万像素全画幅传感器确保了包括叶片纹理细微变化在内的病害症状的精确捕捉。
实验结果
实验表明，TDDet 在检测茶叶病害方面表现出色，实现了 94.33% 的平均精度均值（mAP）、91.33% 的精度和 92.94% 的召回率，参数更少却优于其他最先进的目标检测模型，能够快速准确地识别茶叶病害。
TDDet 通过深度可分离卷积（DW）和多查询注意力（MQA）机制，在保持计算效率的同时捕捉复杂的病害模式，利用跨尺度特征融合（CFF）模块和 DySample 实现高效的特征聚合，提升了模型对病害特征细节的敏感度和表示能力。该研究为茶叶病害的实时精准检测提供了新的有效解决方案，有助于帮助茶农及时采取防治措施，降低经济损失，对茶叶产业的可持续发展具有重要意义。
