编辑推荐：
针对复杂农业环境中青椒病虫害检测存在的小目标识别难、多尺度特征提取不足及实时处理需求等问题，研究人员基于 YOLOv10n 构建 YOLO-Pepper 模型。该模型引入 AMSFE、DFPN 等模块，在 8046 幅图像数据集上实现 94.26% mAP@0.5 和 115.26 FPS，为智能农业监测提供技术支撑。
在农业生产的舞台上，青椒作为全球重要的经济作物，其生长历程却危机四伏。白粉病、炭疽病等病虫害如同隐藏的杀手，每年都会给种植者带来巨大的经济损失。传统的人工检测方式宛如蒙着眼睛走路，不仅依赖主观判断，还常常因光照、叶片遮挡等复杂环境因素而漏检误判，难以满足现代农业精准防控的需求。如何让机器拥有一双 “慧眼”，在复杂的温室环境中精准识别病虫害，成为了农业与计算机视觉领域亟待攻克的难题。
为了破解这一困局，来自潍坊科技学院山东省设施园艺重点实验室和四川工商学院计算机学院的研究人员展开了深入探索。他们的研究成果发表在《Plant Methods》上，为青椒病虫害检测带来了新的曙光。
研究人员以 YOLOv10n 为基础模型，针对青椒病虫害检测中的核心挑战，展开了一系列创新设计。首先，构建了包含 8046 幅高质量 RGB 图像的专用数据集，这些图像覆盖了青椒不同生长阶段（幼苗期、开花期、结果期）和多种天气条件（晴天、雨天、雾天），真实还原了温室栽培的复杂场景。
在技术方法上，研究的关键创新点包括：一是设计了自适应多尺度特征提取模块（AMSFE），通过多分支卷积和组卷积操作，提升对不同尺度特征的捕捉能力；二是引入动态特征金字塔网络（DFPN），通过跨层特征融合，增强对上下文信息的感知，有效解决遮挡场景下的特征提取问题；三是增加小目标检测头（SDH），专门针对小尺寸病虫害目标，在颈部网络中新增 P2 检测层，提升小目标的检测精度；四是提出 Inner-CIoU 损失函数，通过引入辅助边界框，优化预测框与真实框的位置回归，使定位精度提升 18%。
模型性能验证与对比实验
研究人员通过消融实验逐一验证了各模块的有效性。结果表明，AMSFE 模块使 mAP@0.5 提升 2.18%，DFPN 模块进一步将 mAP@0.5 提升 5.19%，同时实现模型轻量化，参数数量减少 14.13%；新增的 SDH 模块使 mAP@0.5 再提升 2.43%；Inner-CIoU 损失函数最终使 mAP@0.5 达到 94.26%，且未增加计算成本。
在与主流模型的对比实验中，YOLO-Pepper 展现出显著优势。其 mAP@0.5 达到 94.26%，远超 YOLOv10n 的 82.38%，且参数数量仅为 2.51 M，模型大小 5.15 MB，检测速度达 115.26 FPS，在精度、速度和轻量化之间实现了出色平衡。尤其在叶片遮挡、低光照、害虫密集群等复杂场景下，YOLO-Pepper 的 mAP@0.5 比 YOLOv10n 提升 17.5%-22.4%，充分证明了其在实际温室环境中的鲁棒性。
特征可视化与实际应用效果
通过 Grad-CAM 技术可视化特征激活图发现，YOLO-Pepper 能够精准聚焦于病虫害的关键区域，如炭疽病的病斑、螨虫的聚集部位等，其注意力分布与人类专家的诊断逻辑高度吻合。在真实温室图像测试中，模型对早期症状和隐蔽虫害的检测能力显著优于基线模型，为病虫害的早期干预提供了有力支持。
研究结论与未来展望
本研究成功构建了 YOLO-Pepper 模型，通过多模块协同优化，有效解决了复杂农业环境中青椒病虫害检测的小目标识别、多尺度特征融合和实时处理难题。该模型在保持轻量化的同时，实现了高精度检测，为智能农业监测系统提供了可靠的技术支撑，对减少农药使用、降低环境污染和提升农业可持续发展具有重要意义。
展望未来，研究团队计划进一步优化图像预处理技术，以应对温室中复杂的光照和阴影问题；通过参数剪枝和知识蒸馏等方法实现模型的进一步轻量化；同时扩展数据集，纳入夜间等极端条件下的病虫害数据，推动青椒病虫害检测技术向更广泛、更复杂的应用场景拓展。YOLO-Pepper 的诞生，标志着深度学习在智慧农业领域的应用迈出了坚实一步，为实现 “精准植保” 的未来蓝图奠定了基础。
