CSPNet：面向复杂场景下番茄叶片病害检测的多尺度特征交互网络

本文推荐一种基于特征交互机制的番茄叶片病害检测网络CSPNet，该模型通过交叉尺度特征融合（CSF）、空间上下文特征交互（SCFI）和金字塔特征协作扩散（PFCD）三大核心模块，显著提升了复杂环境下多尺度病斑定位、背景干扰抑制和形态多样性适应能力。实验表明，CSPNet在ATLDD等数据集上mAP0.5指标领先，同时保持较低参数量，为智慧农业病害监测提供了高效解决方案。

　　

Highlight

本文提出新型番茄叶片病害检测网络CSPNet，通过系统性特征交互机制显著提升复杂场景下的检测精度与鲁棒性。该网络整合了交叉尺度特征融合（Cross-Scale Feature Fusion, CSF）模块、空间上下文特征交互（Spatial Context Feature Interaction, SCFI）模块和金字塔特征协作扩散（Pyramid Feature Collaboration and Diffusion, PFCD）模块，从而在多尺度特征感知、背景干扰抑制和病态形态适应性方面实现突破性进展。

The structure of CSPNet

基于YOLOv11改进的CSPNet包含三大核心组件：主干网络（backbone）、颈部网络（neck）和检测头（detection head）。主干网络采用5个CBS（卷积-批归一化-SiLU激活）模块、4个C3K2（跨阶段局部卷积核）模块和1个SPPF（快速空间金字塔池化）模块，通过多尺度特征金字塔实现病斑的层级化捕捉。颈部网络引入双流结构的SCFI模块，将卷积运算与局部自注意力机制结合，有效过滤背景噪声。检测头则通过PFCD模块的动态特征扩散机制，增强对病斑形态多样性的表征能力。

Experimental setup

实验平台搭载NVIDIA RTX 3090显卡，采用mAP_0.5、参数量（Params）和计算量（FLOPs）作为核心评估指标。在自建数据集ATLDD（含9类病害25,854个实例）上，通过消融实验验证各模块贡献：CSF使小病斑检测召回率提升12.7%，SCFI降低背景误检率38.4%，PFCD对形态变异病斑的识别准确率提高9.3%。

Visualization of module validity

热力图对比显示：基线模型对重叠病斑和微小病斑响应微弱，而CSF模块显著增强多尺度特征捕获能力；SCFI模块有效抑制叶片纹理等背景干扰；PFCD模块则使特征图对不规则病斑边缘的覆盖更完整。三模块协同作用使复杂场景下的检测框定位精度提升21.6%。

Conclusion

CSPNet通过创新性特征交互架构，在保持模型轻量化的同时，解决了自然环境下病害检测的三大核心挑战：多尺度病斑的精准定位、复杂背景的鲁棒性过滤以及形态变异特征的适应性表达。该技术为露天农田等非结构化环境下的智能植保应用提供了新范式。