基于YOLO架构的番茄叶片病害智能检测系统：多版本性能比较与农业应用评估

本研究针对番茄叶片病害检测的精准农业需求，系统比较了YOLOv8至YOLOv12五种最新架构在14,368张图像数据集上的表现。研究人员通过统一训练设置评估了精度(precision)、召回率(recall)、平均精度均值(mAP)等指标，发现YOLOv11综合性能最优(mAP@50:95达0.790)，同时YOLOv12n成为最佳轻量模型。该研究为农业病害实时监测提供了重要技术参考，推动了计算机视觉在精准农业中的实际应用。

　　

在番茄种植领域，叶片病害是威胁全球农业生产的重要因素。传统人工检测方法存在效率低、覆盖率有限等问题，而计算机视觉技术为这一问题提供了新的解决方案。其中，YOLO(You Only Look Once)系列算法因其高效的实时检测能力备受关注，但不同版本架构在农业场景中的性能差异尚未明确。计算机视觉中心（Computer Vision Center, Universitat Autonoma de Barcelona）和ESPOL理工大学的研究团队在《Scientific Reports》发表的研究，首次系统比较了YOLOv8至YOLOv12五种最新架构在番茄叶片病害检测中的表现。

研究采用包含14,368张图像的Tomato-Village数据集，涵盖晚疫病(Late blight)、叶蝉(Leaf miner)等6类病害。通过统一训练参数（100 epochs，640×640像素输入）评估各模型性能，主要技术包括：1）使用Nvidia A100 GPU进行模型训练；2）采用mosaic图像增强提升数据多样性；3）基于精确度(precision)、召回率(recall)和mAP@50:95等指标进行系统评估。

【YOLOv8】结果显示其x-large版本达到最高0.776 mAP@50:95，但训练时间随模型复杂度显著增加。值得注意的是，中等规模模型(YOLOv8m)在氮缺乏症检测中表现突出，显示并非越大越好。

【YOLOv9】整体表现最弱，最优模型YOLOv9-E的mAP@50:95仅0.590，且训练耗时长达3.89小时。其创新的可逆函数和PGI（Programmable Gradient Information）设计未能带来预期效果。

【YOLOv10】采用无NMS设计降低延迟，X版本达到0.736 mAP@50:95。特别在钾缺乏症检测中，YOLOv10-L创下0.971 mAP@50的单项最佳记录，显示其在特定病害上的优势。

【YOLOv11】成为综合性能冠军，x-large版本在全部6类病害检测中保持领先，mAP@50:95达0.790。其创新的C3k2模块和C2PSA（Partial Spatial Attention）颈部设计显著提升了小目标检测能力。

【YOLOv12】作为唯一的注意力中心架构，其创新的R-ELAN（Residual Efficient Layer Aggregation Network）和区域注意力机制(Area Attention)使YOLOv12x获得0.783 mAP@50:95，同时YOLOv12n以1.5ms推理速度成为最佳轻量选择。

研究结论表明，YOLOv11在精度和效率平衡上表现最优，而YOLOv12在注意力机制应用上取得突破。特别值得注意的是，模型性能并非单纯随复杂度提升，如YOLOv8m在多项指标上超越更大模型。这些发现为农业场景中的模型选择提供了实证依据：资源充足时优选YOLOv11，边缘计算场景可考虑YOLOv12n。该研究不仅填补了YOLO架构在农业病害检测领域的系统评估空白，其提出的性能-效率权衡框架也可推广至其他作物病害检测场景，对推动精准农业技术落地具有重要意义。未来研究可进一步探索这些模型在不同光照条件、作物生长阶段的稳定性，以及在实际农田环境中的部署效果。