基于特征动态重加权的棉花自然场景病害检测网络(FDRW-Net)研究

本文推荐：作者团队提出轻量化特征动态重加权网络(FDRW-Net)，基于YOLO11模型创新性融合增强多尺度空间注意力(EMSA)、自适应下采样模块(ADM)和C3T结构，在自建棉花病害数据集上实现mAP50提升3.2%达93%，参数量降低46.5%，为智慧农业提供高效边缘部署方案。

　　

Highlight

本研究亮点在于：

1. 1.

   设计具有共享分支结构的信息共享头(ISH)，结合增强多尺度空间注意力(EMSA)，通过跨空间交互强化细粒度纹理特征捕获，同时抑制背景噪声；

2. 2.

   创新采用自适应下采样模块(ADM)，通过动态权重分配策略将计算量降低39.7%，显著提升边缘设备兼容性；

3. 3.

   提出融合MetaFormer和卷积门控线性单元(CGLU)的C3T结构，突破传统CNN局限，对黄萎病等相似病害的区分精度提升15.8%。

Model Deployment

将FDRW-Net部署于树莓派4B平台，开发基于PyQt5的实时诊断系统（如图11）。系统支持双模检测：实时模式下通过高清摄像头动态捕捉病叶特征，离线模式下可批量分析历史数据。预处理模块自动完成图像缩放、通道转换后，经优化后的网络推理速度达23FPS，满足田间实时预警需求。

Conclusions

该研究提出的FDRW-Net作为专为资源受限环境设计的棉花病害检测模型，具有三大突破：

1. 1.

   预测网络采用动态定位分支调整技术，使特征一致性提升22%；

2. 2.

   EMSA机制建立的长程依赖关系，有效解决自然场景中光照不均导致的特征漂移问题；

3. 3.

   整体模型尺寸压缩至28.6MB，在保持93% mAP₅₀的同时，较基线模型减少43.4%存储占用。