YOLOv11-AIU：基于轻量化目标检测模型的番茄早疫病分级检测新方法

本研究针对番茄早疫病(Alternaria solani)早期症状对比度低、病灶边界模糊等检测难题，开发了轻量化目标检测模型YOLOv11-AIU。通过集成C3k2_iAFF注意力融合模块、Adown多分支下采样结构和Unified-IoU损失函数，在自建6级标注数据集上实现mAP@50达94.1%，推理速度15.67 FPS，为田间实时病害监测提供了高效解决方案。

　　

番茄作为全球重要的经济作物，其生产长期受到早疫病的严重威胁。这种由茄链格孢菌(Alternaria solani)引起的病害，在开花结果期尤为猖獗，可造成超过30%的产量损失。传统检测方法面对早期症状的低对比度特征、模糊病灶边界以及多尺度病变等挑战时往往力不从心，农民在田间常因误诊或延迟发现而导致防治时机延误。现有基于深度学习的检测模型虽然在准确率方面有所突破，但在处理不规则病灶形态、相邻严重等级区分以及嵌入式设备部署等方面仍存在明显局限。

针对这些技术瓶颈，Xiuying Tang团队在《Plant Methods》发表了创新性研究成果。研究人员构建了包含6个严重等级的5,000张图像数据集，通过集成三大核心技术：C3k2_iAFF模块通过局部纹理与全局语义特征的迭代融合增强模糊边界的识别能力；Adown模块采用多分支下采样策略保留微小病灶特征；Unified-IoU损失函数通过动态框缩放机制提升定位精度。实验采用iPhone 14 Pro采集图像，在RK3588芯片的Luban Cat5开发板上实现嵌入式部署。

研究结果部分，模型架构部分显示，C3k2_iAFF模块通过双注意力分支（局部纹理与全局语义）生成权重图，经两次迭代融合使特征区分度提升3.1%。

可视化分析证实该模块对Grade 1级微小病灶的识别准确率从77%提升至85%。Adown模块通过异构感知通路（AvgPool2d+3×3卷积+最大池化）使计算量降低18.68%的同时，mAP@50-95提高1.6%。

性能验证部分，消融实验表明完整模型的mAP@50达94.1%，较基线YOLOv11n提升2.2%。

在损失函数对比中，Unified-IoU的box_loss曲线收敛最优，使Grade 3级识别准确率从84.2%提升至89.9%。嵌入式部署测试显示，模型体积仅4.7MB，在Luban Cat5平台实现15.67 FPS的实时检测速度，较原模型提升140%。

讨论部分指出，该研究的创新性体现在三个方面：通过多分支下采样保留早期病灶的微细特征；利用迭代注意力解决相邻严重等级的区分难题；采用动态损失权重优化提升定位精度。虽然模型在密集重叠病灶场景仍存在局限，但为田间智能监测提供了切实可用的技术方案。未来可通过时序建模或多模态数据融合进一步增强性能。

这项研究的意义在于：首次将YOLOv11框架成功应用于植物病害分级检测；提出的轻量化设计使模型参数减少14.55%的同时精度提升2.2%；开发的嵌入式系统为精准农业提供了可落地的解决方案。成果为作物病害的早期预警和精准施药奠定了技术基础，对保障粮食安全生产具有重要价值。