基于SAM增强与YOLO模型的西瓜叶部病害检测优化及农业应用研究

为解决田间环境下西瓜叶部病害检测存在的类不平衡和复杂背景干扰问题，研究人员提出结合Segment Anything Model (SAM)与Photometric-Geometric (PG)增强的数据优化方法，并采用轻量级YOLO架构实现实时检测。实验表明YOLOv9t达到0.92 mAP50和0.71 mAP95的最高精度，YOLOv11n以0.64 APT(Accuracy per Inference Time)指标成为最优边缘设备部署方案。该研究为农业智能化提供了高效精准的技术支持。

　　

在泰国农业经济中，西瓜作为重要经济作物面临严峻的病害威胁，尤其是霜霉病(Downy mildew)、银斑病毒(Silver mottle virus)和黄斑病毒(Yellow mosaic virus)等叶部病害。传统人工检测方式效率低下且易导致农药滥用，而现有基于实验室环境采集数据的深度学习模型难以应对田间复杂条件。更棘手的是，真实农田场景中存在严重的类不平衡问题——黄斑病毒样本量仅为霜霉病的1/5.5，这极大影响了模型的泛化能力。

为突破这些瓶颈，来自泰国Walailak大学的Hadee Madadum团队在《Smart Agricultural Technology》发表创新研究。研究人员首先在泰国Krabi省实地采集516张高分辨率西瓜叶片图像，构建包含2,076个标注的田间数据集。针对类不平衡问题，提出融合Segment Anything Model (SAM)与Photometric-Geometric (PG)增强的创新方案：先通过PG增强（水平翻转、CLAHE对比度优化等）增加数据多样性，再借助SAM的零样本分割能力提取病斑掩膜，最后通过复制-粘贴合成新样本。在模型端，系统评估了YOLOv5n/YOLOv8n/YOLOv9t/YOLOv11n等轻量架构，引入APT(Accuracy per Inference Time)指标平衡精度与速度。

2.1. 数据集

采用iPhone 13 Pro在晨昏不同时段采集图像，通过Roboflow平台标注三类病害。采用类感知分割策略确保少数类在训练/验证/测试集中均衡分布，黄斑病毒样本从235增至1,023。

2.5. SAM-based数据增强

PG增强使银斑病毒训练样本达1,022个，而SAM单独增强可使黄斑病毒样本提升至1,015。二者结合的PG+SAM方案实现三类样本量均衡（霜霉病1,014/银斑1,022/黄斑1,023）。

3.1. 训练结果

YOLOv9t在PG+SAM增强下取得最佳mAP₅₀(0.92)，YOLOv11n的mAP₉₅提升至0.70。对最难检测的黄斑病毒，PG+SAM使YOLOv11n的召回率提升27.6%，mAP₉₅提高16.7%。

3.2. 模型效率

YOLOv11n以1.4ms推理时间和714 FPS成为最优边缘方案，APT值0.64远超YOLOv5n(0.55)。在公开番茄病害数据集验证中，该方法使mAP₅₀提升6.01%，证实强泛化能力。

4.4. 讨论与展望

该研究首次将SAM的零样本分割能力应用于农业病害数据增强，通过PG+SAM组合有效解决了田间数据的关键瓶颈。YOLOv11n在保持轻量化（2.58M参数）的同时，其APT指标显著优于同类模型，为无人机/巡检机器人等移动平台部署奠定基础。未来研究可探索SAM掩膜质量优化、模型量化压缩等方向，推动智慧农业落地应用。