基于RT-YOLOv10与无人机遥感图像的烟草病害轻量化检测与识别研究

为解决无人机遥感图像中烟草病害检测面临的复杂背景干扰、低分辨率和小目标识别难题，研究人员基于YOLOv10开发了轻量化模型RT-YOLOv10，通过引入RFAConv、DySample和多尺度模块MS_C2f/MS_CSP，显著提升了检测精度。实验表明，RT-YOLOv10-s的mAP50-95达83.9%，参数仅7.4M，为田间精准监测提供了高效解决方案。

　　

烟草作为我国重要经济作物，其产量占全球约35%，但生长过程中易受病害侵袭，严重影响产量和品质。传统人工调查方法效率低下，难以满足大规模实时监测需求。近年来，无人机遥感技术凭借灵活、高效、低成本等优势，为作物病害监测提供了新思路。然而，现有研究大多基于实验室环境或小规模场景，难以克服无人机遥感图像中复杂背景、低分辨率和大尺度变化等挑战。此外，模型体积庞大也阻碍了在边缘设备上的部署，限制了实际应用。

针对这些问题，Chen Zili等人提出了一种基于YOLOv10的轻量化病害检测算法RT-YOLOv10，专门针对无人机图像优化。该研究首次构建了无人机航拍场景下的烟草病害专用数据集，填补了该领域数据空白。通过引入RFAConv（感受野注意力卷积）和参数无关注意力SimAM（简单注意力机制）增强特征提取精度，采用DySample（动态上采样）优化特征重建质量，设计MS_C2f（多尺度C2f模块）和MS_CSP（多尺度跨阶段部分模块）提升多尺度特征融合能力，并重构颈部网络促进多层次语义信息交互。

关键技术方法包括：1）使用DJI Phantom 4 RTK无人机采集烟草生长期多时相遥感图像，构建含2156张标注图像的数据集；2）基于YOLOv10架构，在降采样阶段引入RFAConv和SimAM，上采样阶段采用DySample；3）设计多尺度模块MS_C2f和MS_CSP替换原C2f结构；4）采用MPDIOU（最小点距离交并比）损失函数优化边界框回归。

研究结果显示，标准版RT-YOLOv10-s在保持低参数量（7.4M）和计算量（33.3 GFLOPs）的同时，实现了97.2%精确率、93.6%召回率和97.5% mAP₅₀，mAP_50-95达83.9%，全面超越YOLOv5-s等对比模型。超轻量版RT-YOLOv10-t参数量仅2.3M，较YOLOv7-Tiny减少61.7%，但精度提升显著。热力图分析表明，RT-YOLOv10能更精准聚焦病灶区域，有效减少杂草和光斑干扰导致的误检漏检。在杂草数据集上的迁移实验进一步验证了模型的泛化能力。

讨论部分指出，该研究突破了无人机图像中小目标病害检测的技术瓶颈，首次实现了烟草病害的大规模精准监测。相比传统方法，模型在参数量减少8.6%的情况下，mAP_50-95提升5个百分点，为边缘设备部署提供了可能。未来可通过降低飞行高度、优化滑动窗口策略进一步提升小目标识别精度。该成果发表于《Smart Agricultural Technology》，不仅为烟草病害防控提供了新工具，其轻量化设计思路也可拓展至其他作物监测领域，推动智慧农业发展。