基于多尺度学习与边缘特征增强的高效茄子病害检测方法及其在智慧农业中的应用研究

本文提出了一种创新的茄子病害检测网络EggplantDet，通过多尺度边缘信息增强模块（CSP-MSEIE）和多尺度上下文重建金字塔网络（MCRPN），显著提升了复杂背景下病害区域的检测精度。该模型在mAP50和mAP50-95指标上分别取得4.7%和7.2%的提升，同时保持270.5 FPS的实时检测速度，为作物病害智能监测提供了高效解决方案。

　　

引言

在智慧农业快速发展的背景下，作物病害检测仍是关键且具有挑战性的任务。茄子病害存在尺度多样性、边缘特征模糊及种植背景复杂等特点，严重影响检测效果。传统依赖人工检查和化学防治的方法存在效率低、主观性强、环境污染等问题。虽然光谱分析和机器学习方法已应用于病害识别，但早期模型多集中于分类任务而忽视病害定位，难以完全替代人工检查。

材料与方法

研究采用PlantDoc公共数据集和茄子病害专用数据集进行验证。茄子病害数据集包含健康、蛀果虫、黄斑病和果腐病四类病症，通过旋转、饱和度调整、剪切变换等12种数据增强技术将训练集扩展至7521张图像。实验采用SGD优化器，初始学习率0.01，训练100个epoch。

模型架构设计

EggplantDet基于YOLOv8框架构建，采用"骨干网络-特征融合网络-检测头"三级架构：

1. 1.

   骨干网络集成创新设计的CSP-MSEIE模块，通过多尺度自适应池化（AdaptiveAvgPool）和边缘增强器（EdgeEnhancer）提取多尺度特征并强化边缘信息。边缘增强器通过平均池化捕获低频信息，再与原始特征相减提取高频细节，最终叠加回原特征实现边缘增强。

2. 2.

   特征融合网络采用多尺度上下文重建金字塔网络（MCRPN），包含多源交互模块（MSIM）、动态插值交互模块（DIIM）和多尺度上下文提取模块（MCEM）。这些模块通过动态插值和特征融合策略，显著提升模型在复杂背景下的多尺度特征表征能力。

3. 3.

   检测头采用三尺度（P3、P4、P5）特征融合，有效捕获低层特征图的细粒度信息。

关键技术突破

CSP-MSEIE模块整合多尺度特征提取、边缘信息增强和卷积操作，通过不同参数的AdaptiveAvgPool（3,6,9,12）实现多尺度池化，再经插值操作统一尺度后进行特征融合。MCRPN网络通过轴向全局上下文建模显式构建矩形关键区域，其计算过程可表述为：

输出_MCEM = Split(RCM(C(AP(P3,P4,P5))))

输出_MSIM = X₁ + (Interpolation(Conv(X₂)))

输出_DIIM = X₁ × Interpolation(S(Conv(X₂)))

其中AP(·)表示平均池化操作，S表示h-sigmoid函数，C(·)为拼接操作。

实验结果

在PlantDoc数据集上，EggplantDet相比基线模型在mAP₅₀和mAP_50-95分别提升4.3%和6.7%，较先进模型YOLO11n提升1.6%和3.0%。在茄子病害数据集上，模型达到84.3% mAP₅₀和50.3% mAP_50-95，相比YOLOv8n提升4.7%和7.2%，FPS达270.5。消融实验表明各模块均能独立提升性能，组合使用时产生协同效应。可视化对比显示EggplantDet在四类病症检测中均取得最高准确率。

结论与展望

该研究提出的EggplantDet网络通过多尺度边缘特征增强和上下文重建，有效解决了茄子病害检测中的尺度变化和背景干扰问题。未来研究将扩展至更多作物品种，探索轻量化高效检测技术，推动智能病虫害监测在精准农业中的实际应用。