基于FHLE-RTDETR模型的桃树常见病害轻量化检测方法研究

为解决桃树病害检测在复杂背景下多尺度识别精度低、模型复杂度高的问题，研究人员提出基于RT-DETR改进的轻量化模型FHLE-RTDETR。通过设计FPCBlock模块降低计算冗余，结合HiLo注意力机制增强特征提取，并引入Esilm-neck结构优化多尺度融合。实验表明，模型mAP50达92.1%，参数量减少26%，推理速度仅3.2毫秒/图像，为果园智能化病害监测提供高效解决方案。

　　

桃树作为全球重要的经济果树，其产业发展面临严峻的病害威胁。传统依赖人工经验的检测方法存在效率低、误判率高的问题，而现有深度学习模型又面临复杂果园环境下计算资源消耗大、小目标检测效果差的挑战。针对这些问题，河南科技大学农业装备工程学院的Jiangtao Ji团队在《Smart Agricultural Technology》发表研究，提出了一种创新的轻量化检测模型FHLE-RTDETR。

研究团队首先自主构建了包含6692张图像的桃树病害数据集，涵盖流胶病、木腐病等5类常见病害，通过数据增强扩增至16060张图像。关键技术包括：1）设计FPCBlock模块替代BasicBlock，采用部分卷积（PConv）减少计算冗余；2）在编码器中集成高-低频（HiLo）注意力机制，提升细节与全局特征提取能力；3）构建Esilm-neck特征融合结构，结合异构核选择与多尺度卷积模块，通过高效上采样卷积块（EUCB）和快速归一化融合（FastNF）实现特征增强。

研究结果显示：在模型架构改进方面，HiLo注意力机制相比可变形注意力（Deformable Attention）使召回率提升1.3%，mAP₅₀达91.2%。消融实验证实，完整FHLE-RTDETR模型相较原始RT-DETR，精度、召回率和mAP₅₀分别提高1.9%、2.8%和1.7%，参数量减少26%。在具体病害识别中，对炭疽病和红叶病的识别最优（mAP₅₀>97%），而流胶病因特征复杂表现相对较弱（mAP₅₀=83.8%）。环境适应性测试表明，模型在遮挡条件下仍保持98.3%的mAP₅₀，但对光照变化和小目标（mAP₅₀=94.3%）的稳定性有待提升。横向对比中，FHLE-RTDETR以89.9%的精度和92.1%的mAP₅₀超越YOLOv10/YOLOv11等主流模型，且推理速度达3.2毫秒/帧。

讨论部分指出，该研究的创新性体现在三方面：首先，FPCBlock模块通过部分通道计算有效抑制冗余特征，其FLOPs仅为常规卷积的1/16（当c_p/c=1/4时）；其次，AIFI-HLFA模块通过分离高频（边缘细节）和低频（全局上下文）信息，解决了传统注意力机制在复杂背景下的特征混淆问题；最后，Esilm-neck通过动态权重分配（如公式(2)-(3)中的w_i参数）实现了跨尺度特征的自适应融合。尽管在早期病害预警和跨作物泛化性方面仍有提升空间，但该研究为果园环境下的实时病害监测提供了兼顾精度与效率的解决方案，其28.8MB的模型大小更利于部署至便携设备，推动农业智能化实践。