基于YOLO-Cucumber模型的复杂环境下黄瓜病害智能检测技术研究及其在精准农业中的应用

本研究针对复杂农业环境中黄瓜病害检测存在的多尺度变异、背景干扰及硬件限制等挑战，提出基于YOLOv11n改进的轻量化检测算法YOLO-Cucumber。通过引入可变形卷积网络(DCN)、P2小目标检测层、目标感知损失函数(TAL)和通道剪枝技术(CPBN)，模型在自建数据集上实现mAP@50提升6.5%至93.8%，模型体积减少3.87MB，推理速度达218FPS。该研究为嵌入式农业设备提供了高效精准的病害检测方案，对推动农业生产力数字化转型具有重要意义。

　　

在温室种植等复杂农业环境中，黄瓜病害的早期识别一直面临重大技术挑战。光照变化、叶片遮挡和背景干扰等因素导致传统检测方法准确率骤降，而早期微小病斑（小于图像面积5%）的漏检更可能延误防治时机。据研究显示，植物病害在全球范围内可造成20-80%的产量损失，其中黄瓜作为重要经济作物，其病害问题尤为突出。现有基于深度学习的检测模型在实验室环境下表现优异，但应用于实际生产场景时，往往因计算资源限制和复杂环境干扰而性能大幅下降。

针对这一技术瓶颈，潍坊科技学院山东省绿色高值海洋精细化工工程研究中心联合四川工商学院计算机学院的研究团队，在《BMC Plant Biology》发表了创新性研究成果。该研究以最新轻量级目标检测模型YOLOv11n为基础，通过四项关键技术革新构建了YOLO-Cucumber模型：采用可变形卷积网络(DCN)增强对不规则病斑的特征提取能力；设计P2预测层替代P5层以提升早期微小病斑检测精度；开发目标感知损失函数(TAL)解决类别不平衡问题；应用基于批归一化的通道剪枝技术(CPBN)实现模型压缩。研究使用自建的包含4740张图像的数据集（采集自山东寿光温室基地），涵盖健康叶片和炭疽病、青枯病等5类病害在不同生长阶段和环境条件下的表现。

关键技术方法包括：（1）构建含多尺度病斑的黄瓜病害图像数据集；（2）在C3k2模块中引入可变形卷积增强特征提取；（3）优化检测层结构，增加160×160分辨率的P2层；（4）设计融合Focaler IoU和PIoUv2优势的TAL损失函数；（5）基于BN层γ参数的通道剪枝策略实现模型轻量化。

特征提取增强机制：通过C3k2-DCN模块的动态感受野调整，模型对早期不规则病斑的特征提取能力显著提升。如图3所示，可变形卷积通过预测偏移量实现自适应采样，使mAP@50提高0.9%。

小目标检测优化：如图5所示，用P2层替换P5层的设计使模型对早期病斑（160×160分辨率）的检测精度提升4.1%，同时减少计算冗余。

目标感知损失函数：创新的TAL函数通过非单调注意力机制（式10）和自适应惩罚因子（式6），有效解决病斑质量差异导致的收敛问题，使边界框定位精度提升0.4%。

模型压缩策略：如图7所示的CPBN技术，通过BN层γ参数评估通道重要性，在保持性能的同时将模型压缩至1.48MB，推理速度提升至218FPS。

研究结果显示（表3），模型对健康叶片和四类病害的检测精度均超过88%，其中对细菌性枯萎病的AP₅₀达95.8%。如图12所示，模型在光照不均、局部遮挡等复杂场景下仍保持稳定性能。

该研究的突破性在于首次将可变形卷积与通道剪枝技术结合应用于农业病害检测，通过P2层设计填补了早期微小病斑检测的技术空白。相比主流算法（表5），YOLO-Cucumber在保持轻量化（0.56M参数）的同时，mAP@0.5较YOLOv11n提升6.5%，为田间实时病害监测提供了可靠解决方案。研究团队指出，未来将通过多模态数据融合（结合环境传感器数据）和时序建模进一步提升对混合感染病斑的鉴别能力，推动智能农业装备的产业化应用。