TriPerceptNet：基于多尺度边缘增强YOLOv11的轻量化水稻病害检测模型

这篇研究提出了一种基于三模块轻量化感知机制（TMLPM）的EDGE-MSE-YOLOv11模型，通过整合多尺度特征融合（C3K2_MSEIE）、注意力引导优化（SimAM）和高效空间下采样（ADown）模块，显著提升了复杂田间环境下水稻病害的检测精度。实验表明，该模型在mAP50（92.6%）、mAP95（70.3%）等关键指标上优于主流轻量化检测器，同时参数量减少0.69M，推理速度达111.6 FPS，为智慧农业提供了高效解决方案。

　　

1 Introduction

水稻病害是制约农业生产力的关键因素，真菌性和细菌性病害如稻瘟病、白叶枯病等可导致20-50%的减产。传统检测方法依赖人工观察，效率低下且易受主观影响。近年来，基于YOLO系列的深度学习检测方法因其速度与精度的平衡展现出优势，但现有模型多关注孤立模块优化，忽视了多组件协同效应。

本研究提出Tri-Module Lightweight Perception Mechanism（TMLPM）框架，首次将多尺度边缘信息增强（MSEIE）、相似性注意力（SimAM）和自适应下采样（ADown）整合为统一体系。该设计通过模块间特征交互，显著提升了模型对小尺度病变目标的捕捉能力，同时保持轻量化特性。

2 Construction of the recognition model

2.1 YOLOv11概述与改进

以YOLOv11n为基线模型，其核心改进包括：

1. 1.

   C3K2模块替代传统C2f结构，增强特征提取能力

2. 2.

   C2PSA模块强化多尺度学习

3. 3.

   解耦检测头采用深度可分离卷积（DWConv）降低计算开销

2.2 C3K2_MSEIE模块创新

针对病变区域尺度多变、边缘模糊的挑战，设计多尺度边缘信息增强结构：

• •

  多尺度池化：通过自适应平均池化（AdaptiveAvgPool2d）生成8×8至32×32多分辨率特征图

• •

  边缘增强：采用拉普拉斯算子（?²）强化病变边界响应

• •

  特征融合：通道拼接后经卷积核W_f整合，最终输出特征图?_out

2.3 SimAM注意力机制

相比传统SE、CBAM等模块，SimAM的创新在于：

• •

  三维注意力：基于神经科学原理计算像素级相似度权重

• •

  无参设计：通过标准化特征图?x与相似度矩阵Y的逐元素相乘实现注意力聚焦

• •

  效率优势：在YOLOv11n-Neck中仅增加0.1%参数量，却使mAP₉₅提升2.5%

2.4 ADown下采样优化

传统下采样易丢失细小病变特征，ADown的创新策略包括：

1. 1.

   双路径处理：对输入特征X同时进行平均池化（X_avg）和最大池化（X_max）

2. 2.

   分支卷积：Y₁=Conv(X_avg), Y₂=Conv(X_max)

3. 3.

   通道拼接：最终输出Y=Concat(Y₁,Y₂)

   实验显示该模块使小目标检测召回率提升3.8%

3 Experimental results

3.1 数据集与评估指标

构建包含6类水稻病害的11,617张图像数据集，按7:2:1划分训练/验证/测试集。采用mAP₅₀、mAP₉₅等指标，其中：

• •

  mAP₅₀计算：IoU阈值0.5时的平均精度

• •

  mAP₉₅计算：IoU从0.5到0.95的平均值

3.2 模块消融实验

相较于基线模型YOLOv11n，逐步添加模块后的性能提升：

1. 1.

   仅C3K2_MSEIE：mAP₉₅提升3.2%至66.9%

2. 2.

   添加SimAM：推理速度保持111.6 FPS时mAP₅₀达92.1%

3. 3.

   完整TMLPM：最终模型参数量7.86M，计算量5.4 GFLOPs

3.3 对比实验

与主流模型相比的显著优势：

• •

  精度：mAP₅₀超过YOLOv8n 2.6%，超过RT-DETR 7.1%

• •

  效率：计算复杂度较YOLOv6n降低53.1%

• •

  小目标检测：对叶斑病等小病变的召回率达86.4%

4 Discussion

4.1 可视化分析

Grad-CAM++热图显示：

• •

  基线模型：注意力分散在背景区域

• •

  TMLPM模型：热点紧密聚集在病变区域，尤其对叶瘟病（Leaf-smut）等复杂边缘目标识别精准

4.2 局限性

1. 1.

   极端场景：对遮挡或超小病变（<5像素）检测稳定性不足

2. 2.

   跨域泛化：未在其它作物病害上验证

5 Conclusion

EDGE-MSE-YOLOv11通过三模块协同机制实现了精度与效率的突破，未来将通过量化（QAT）、剪枝等技术进一步优化部署，并扩展至多作物病害检测系统。该研究为田间复杂环境下的实时病害监测提供了新范式。