《Smart Agricultural Technology》：Detection and Identification of Leaf Miner and Pest Infestations in Mangalore Cucumber and Wax gourd using YolovAM Model in a Complex Environment
编辑推荐：
本文推荐一项基于YolovAM模型的重要农业技术研究。针对芒果洛尔黄瓜和冬瓜作物在复杂田间环境下，潜叶蝇(Liriomyza sativae)及多种甲虫害虫侵染难以早期精准检测的问题，研究人员开发了一种定制化目标检测模型。该研究利用包含1,670张图像和10,230个精细标注的数据集，通过引入空间-通道解耦注意力机制(ASCDD)，显著提升了小目标病害特征的检测能力。实验结果表明，YolovAM模型在准确率(0.92)、召回率(0.97)、F1分数(0.95)和mAP(0.95)上均优于现有Yolo变体及非Yolo模型，为田间作物病虫害的实时精准监测提供了有效的技术解决方案，对减少农药滥用、保护土壤肥力具有重要意义。
在现代农业领域，作物病害和害虫侵染是威胁农业生产的主要因素之一，尤其对依赖健康收成的小农户生计影响显著。葫芦科作物因其富含矿物质、营养丰富、生长周期短和生产成本低而广泛种植，但潜叶蝇和害虫侵染问题尤为突出。这些侵染通常在成虫在叶片下产卵后3-4天出现最初可见症状，表现为叶片表面的白色扭曲痕迹，严重时会导致光合作用减少，植物生长发育受阻，甚至造成作物完全失败。
传统的病害识别主要依靠农业专家的手动检查，这种方法耗时且需要丰富的田间经验。特别是在复杂田间环境下，背景噪声（如土壤、阴影、杂草、部分可见的病叶以及人为干扰）给病害检测带来了巨大挑战。大多数现有研究依赖于实验室环境下收集的数据集，限制了模型在真实田间环境中的适用性，其中早期、中期和晚期病害条件的微小目标检测尤为关键。
针对这些问题，Keerthi Prasad MA和Pushpa BR在《Smart Agricultural Technology》上发表了一项创新研究，开发了一种名为YolovAM的定制目标检测模型，专门用于在复杂环境下检测和识别芒果洛尔黄瓜和冬瓜中的潜叶蝇和害虫侵染。
研究人员采用了多种关键技术方法开展本研究。首先，他们通过智能手机在印度卡纳塔克邦多个村庄的农田中采集了包含1,670张图像和近10,230个精细标注的数据集，涵盖了从早期到晚期不同阶段的病害进展。图像预处理阶段包括尺寸调整、像素值归一化和数据增强技术。研究核心是基于YOLOv10架构构建YolovAM模型，创新性地在三个关键网络阶段（骨干网的第5、7层和颈部的第20层）集成了注意力机制，形成了注意力空间-通道解耦下采样(ASCDD)模块。模型训练在Google Colab的T4 GPU上进行，采用SGD优化器，批量大小为32，图像分辨率为640×640像素，共训练100个epoch。性能评估采用精确度、召回率、F1分数和mAP等指标，并与YOLOv5-v12及非YOLO模型进行了全面比较。
4.3. YolovAM病害检测结果
YolovAM在多样化的复杂农业环境场景中表现出最优的检测性能。通过其基于注意力的特征提取能力，该模型在识别芒果洛尔黄瓜和冬瓜植株中潜叶蝇和害虫病害区域方面展现出卓越的检测准确性，能够有效处理背景噪声和叶片重叠等挑战。
4.4. 对比实验
4.4.1. Yolo目标检测方法比较
在各种Yolo变体的性能比较中，YolovAM在冬瓜数据集上实现了最高的F1分数(0.96)、精确度(0.94)、召回率(0.96)和mAP@0.5(0.96)，显著优于YOLOv5-v12等现有模型。在芒果洛尔黄瓜数据集上，使用冬瓜模型的预训练权重进行迁移学习后，YolovAM仍保持最高性能(F1分数0.95，精确度0.95，召回率0.97，mAP@0.95)，证明了其良好的泛化能力。
4.4.2. 与非Yolo目标检测方法比较
与Faster R-CNN、EfficientDet和RT-DETR等非Yolo模型相比，YolovAM在保持较少参数(8.07M)和较低计算成本(12.39 GFLOPs)的同时，实现了更高的检测性能(mAP 0.95)，显示出其在复杂农业环境中的显著优势。
4.4.3. 视觉输出
视觉评估表明，YolovAM在识别两种植物品种的潜叶蝇和害虫侵染方面具有更高的准确性。与其他Yolo变体相比，YolovAM在保持高召回率的同时，误报率显著降低，仅对潜叶蝇产生1个误报，对害虫侵染产生2个误报，而其他模型如YOLOv5对潜叶蝇的误报达11个。
4.4.4. 病害分期分类
研究还将检测到的植物病害根据病害边界框面积和形态特征分为三个严重程度阶段：初期、中期和晚期。对于潜叶蝇侵染，初期代表短而窄的轨迹，表明早期幼虫活动；中期显示延长的轨迹；晚期表现出广泛而宽的轨迹。害虫侵染同样进行了分类，为病害严重程度评估提供了量化依据。
4.4.5. 消融研究-各模块贡献
注意力机制集成对YolovAM性能产生了显著影响，空间注意力使mAP@0.5提高了1.2%。ASCDD在第5层保持了基线F1分数0.93，精确度提高至0.94；第7层集成实现了精确度0.94，F1分数提高至0.94；第20层加入带来最显著的单一层改进，召回率提升至0.93。三个层次(5、7、20)的完整集成产生了最佳整体性能(F1分数0.95，精确度0.95)，验证了所提出架构修改的有效性。
4.4.6. Grad-CAM可视化
Grad-CAM热图表明，YolovAM中的集成注意力模块有效定位并突出了潜叶蝇和害虫侵染的关键病害特征，较高激活强度对应于病理学显著区域。这些注意力引导的可视化显示，ASCDD块成功聚焦于形态学上独特的病害症状，同时抑制了无关的背景特征。
4.4.7. 与现有工作比较
与大多数现有葫芦科作物研究相比，本研究在复杂背景下检测芒果洛尔黄瓜和冬瓜品种的病害方面具有显著创新。现有研究多侧重于使用图像分割和分类的单叶病害检测，而本研究通过精细的目标级注释，解决了田间环境下多叶、重叠和复杂背景的挑战。
4.5. YolovAM部署：实际考量
YolovAM模型在智能设备上部署显示出强大潜力，可实现田间病害识别。其设计特别适用于蔓生品种，其中重叠叶片常呈现多尺度异质病害模式。通过优化训练设置、策略性超参数调优和分层注意力机制，模型在保持高精度的同时实现了计算效率。
4.6. 局限性
尽管YolovAM模型有效检测了冬瓜和芒果洛尔黄瓜中的潜叶蝇和害虫侵染，但仍存在一些局限性。模型偶尔会误识别病害区域，表明特征学习可以更具判别性。数据集从特定地理位置手动收集，缺乏足够的多样性，限制了模型的泛化能力。此外，该研究仅应用于两种作物，未测试西瓜、苦瓜和南瓜等其他品种。
本研究通过YolovAM模型有效解决了冬瓜和芒果洛尔黄瓜蔬菜作物田间病害检测的挑战。该模型通过集成注意力机制和精细注释策略，能够处理高度精细的病害表现、重叠叶片和异质背景，在复杂农业环境中表现出卓越的适应性和泛化能力。实验结果表明，YolovAM在mAP评分上优于其他Yolo和非Yolo目标检测模型，即使在具有多个受潜叶蝇和害虫侵染区域的复杂背景下也能成功检测病害发生。
该研究的实际意义在于，随着农民继续在日常生活中利用智能手机，模型准确及时检测病害的能力变得尤为重要，特别是对于短周期作物。YolovAM的优化设计使其适合在资源受限的设备上部署，为实时田间监测系统提供了可行解决方案。值得注意的是，该模型在保持高精度的同时，参数数量和计算成本相对较低，这为其在实际农业环境中的应用提供了重要优势。
从技术角度看，研究通过系统的消融实验验证了注意力机制在各网络层的有效性，特别是空间-通道解耦下采样(ASCDD)模块在提升小目标检测性能方面的关键作用。Grad-CAM可视化进一步提供了模型决策过程的解释性见解，增强了结果的可信度。
然而，研究也识别出一些重要局限性，包括数据集地理多样性不足、模型在其他葫芦科作物上的泛化能力未经验证，以及公开数据集中复杂田间场景的缺乏。这些局限为未来研究指明了方向，包括扩展模型以检测其他病害（如霜霉病、蓟马和病毒感染），促进跨作物的更广泛多类检测能力。
总之，这项研究为复杂农业环境下的作物病害检测提供了有效的技术解决方案，通过创新性的模型设计和全面的实验评估，推动了精准农业和智能农业技术的发展。未来的工作可以集中在模型优化、多作物扩展以及与实际农业系统的集成方面，进一步发挥该技术在减少农药使用、提高作物产量和促进可持续农业实践方面的潜力。
