《PLOS One》：Improved YOLOv26-ACearly-ASPPdeep for citrus disease and pest detection
编辑推荐：
本研究针对复杂果园条件下柑橘病虫害的早期准确检测问题展开，该问题对于及时干预和产量保护至关重要。现有检测器在处理小病灶、细微早期症状以及杂乱叶片背景时往往表现不佳。研究人员提出YOLOv26-ACearly-ASPPdeep，一种轻量级单阶段检测器，其功能性地
本研究针对复杂果园条件下柑橘病虫害的早期准确检测问题展开，该问题对于及时干预和产量保护至关重要。现有检测器在处理小病灶、细微早期症状以及杂乱叶片背景时往往表现不佳。研究人员提出YOLOv26-ACearly-ASPPdeep，一种轻量级单阶段检测器，其功能性地按网络深度解耦特征增强：自适应卷积（AdaptiveConv，ACearly）嵌入浅层C3k2模块，在剧烈下采样前强化细粒度、内容感知的滤波；基于ASPP的多分支上下文聚合模块（ASPPdeep）则置于深层骨干/颈部阶段，以扩大针对不规则病灶形态的感受野多样性。SCDown模块进一步减少下采样过程中的信息损失。在Roboflow柑橘病虫害数据集（4,358张图像；涵盖黑斑病、溃疡病、黄龙病及健康样本）上的实验表明，所提模型将最大精确率（max precision）从基线YOLOv26的0.75565提升至0.78032（+3.26%），并将IoU=0.5下的平均精确率（mAP@0.5）从0.791提升至0.863。在相同训练设置下，该模型在精确率（Precision）、召回率（Recall）、F1分数及各类别平均精确率（AP）上也优于YOLOv5n、YOLOv7-tiny、YOLOv8n和YOLOv11n等代表性检测器，同时保持近实时果园监测的适用性（在RTX 3090上每张图像15.1毫秒）。结果表明，深度感知的AdaptiveConv–ASPP耦合为智慧柑橘病虫害监测提供了一种实用的精度–效率权衡方案。
一、研究背景与问题
柑橘是全球最重要的经济作物之一，据联合国粮农组织（FAO）统计，柑橘产量约占全球水果总产量的20%，年产量超过1.5亿吨。然而，柑橘种植长期面临多种病虫害的严重威胁，每年造成的经济损失达数十亿美元。传统检测方法依赖农业专家的目视检查，存在主观性强、耗时费力、难以早期发现等问题，无法满足大规模果园的监测需求。随着数字成像与人工智能技术的发展，基于深度学习的YOLO系列目标检测算法在农业病虫害检测中展现出实时性与高精度的优势。然而，现有检测器在自然果园条件下仍面临诸多挑战：小病灶与细微早期症状难以捕捉、复杂叶片背景干扰严重、光照条件变化大、病虫害在不同发育阶段表现差异显著。多数已有研究聚焦于图像分类而非目标检测，缺乏对病灶的精准空间定位；部分改进仅在单一位置插入注意力或空洞空间金字塔池化（ASPP）模块，缺乏深度感知的协同设计；且普遍缺少在统一训练协议下的效率对比分析。针对上述研究空白，本研究提出YOLOv26-ACearly-ASPPdeep模型，旨在实现复杂果园环境下柑橘病虫害的早期、准确、高效检测。
二、研究内容与主要结论
研究人员在标准YOLOv26框架基础上，提出深度解耦的特征增强架构。核心设计理念是功能解耦：将自适应卷积（AdaptiveConv）置于浅层C3k2模块（ACearly），在下采样前强化细粒度、内容感知的通道滤波；将基于ASPP的多分支上下文聚合模块置于深层骨干与颈部阶段（ASPPdeep），扩大针对不规则病灶形态的感受野多样性；同时引入SCDown模块减少下采样过程中的信息损失。在包含4,358张图像的Roboflow柑橘病虫害数据集（涵盖黑斑病、溃疡病、黄龙病及健康样本四类）上，该模型将最大精确率从基线的0.75565提升至0.78032（+3.26%），mAP@0.5从0.791提升至0.863，并在精确率、召回率、F1分数及各类别AP上全面优于YOLOv5n、YOLOv7-tiny、YOLOv8n和YOLOv11n等代表性轻量级检测器。消融实验证实ACearly与ASPPdeep具有互补效应，多随机种子实验验证了结果的稳定性。该研究为智慧柑橘病虫害监测提供了一种兼顾精度与效率的实用方案，对果园精准施药与早期预警具有重要应用价值。
三、关键技术方法
本研究采用的主要技术方法包括：其一，自适应卷积（AdaptiveConv）模块，通过全局平均池化生成通道描述符，经1×1多层感知机（MLP）与sigmoid激活生成通道权重，对输入特征进行内容感知的通道重标定，嵌入浅层C3k2模块以保护细小病灶线索；其二，改进的ASPP模块（ASPPdeep），采用不同空洞率的并行3×3卷积分支（典型空洞率6、12、18）、全局平均池化分支及1×1卷积基线分支，多分支输出拼接后经1×1卷积融合，置于深层骨干与颈部融合节点以捕获多尺度上下文；其三，SCDown（可分离卷积下采样）模块，以深度可分离卷积替代标准步长卷积，降低下采样过程中的信息损失与计算开销。数据集来源于Roboflow Universe公开索引的柑橘病虫害目标检测数据集，共4,358张RGB图像，按约69.9%/19.5%/10.5%划分为训练/验证/测试集。
四、研究结果
4.1 不同类别的性能分析
通过计算各模型在四个类别上的平均精确率（AP）值发现，所有模型在黑斑病上取得最高AP，因其病灶通常具有高对比度和清晰定位；黄龙病（greening）是最难检测的类别，因其色度症状弥散且与健康叶片的营养胁迫模式视觉重叠。与YOLOv26基线相比，所提模型在黑斑病、溃疡病、黄龙病和健康类别上分别提升AP +0.076、+0.072、+0.070和+0.068。黄龙病的增益对早期预警尤为重要，ACearly有助于保留细微纹理线索，ASPPdeep聚合更广泛的叶片上下文以支持区分。可视化对比进一步证实，改进模型能以更高置信度（常高于0.9）准确定位几乎所有病斑，而基线模型存在严重漏检和低置信度预测问题。
4.2 整体指标、SOTA对比与多运行稳定性
在统一训练设置下，YOLOv26-ACearly-ASPPdeep取得精确率0.891、召回率0.874、F1分数0.882、mAP@0.5=0.863和mAP@0.5:0.95=0.199，在所有主要精度指标上均优于YOLOv5n、YOLOv7-tiny、YOLOv8n和YOLOv11n。三次独立随机种子实验得到mAP@0.5=0.861±0.004和最大精确率=0.778±0.003，表明观测增益具有稳定性而非种子特异性。参数量与延迟较基线适度增加（20.7M/15.1ms对比18.6M/12.5ms），但精度收益尤其是黄龙病类别的提升支持在GPU辅助果园监测服务器上部署。
4.3 混淆矩阵分析
混淆矩阵显示，健康叶片识别最可靠（约2.3%混淆）；黑斑病与溃疡病存在中等程度相互混淆（约6.8%），这在农艺学上是合理的，因为早期坏死斑点可能在病原特异性形态分化前共享颜色/边缘线索；主要残余误差为黄龙病与健康之间的混淆（约8.7%），证实色度细微性是限制黄龙病导向检测的关键因素。在果园实际工作流中，黄龙病自动警报应结合确认性巡查或多帧证据，而黑斑病/溃疡病检测已足够稳定以支持优先施药图谱。
4.4 消融实验分析
消融实验表明，基线YOLOv26最大精确率为0.755；单独插入ACearly提升至0.779（+3.18个百分点），证实早期自适应通道重标定对细微症状的价值；单独使用ASPPdeep达到0.768（+1.72个百分点），表明多分支空洞上下文有帮助但不如早期细节保留决定性；融合模型达到0.780，略高于ACearly单独使用，同时将mAP@0.5:0.95从0.19618提升至0.19920。参数量从18.6M增至20.7M，延迟从12.5ms增至15.1ms，但精度提升远超计算成本增加，验证了模块改进的有效性。
五、讨论与结论
讨论部分指出，实验证据支持对改进机制的一致解释：早期自适应卷积重标定在分辨率降低前强化携带微弱病灶纹理的通道，与黑斑病/溃疡病小或分散实例的最大增益一致；深层ASPP分支提供并行感受野，帮助解释不规则和上下文依赖的模式，与黄龙病AP提升一致；消融实验证实两模块互补。从农业部署视角，高置信度黑斑病和溃疡病定位可直接生成施药点图，减少盲目施药；黄龙病检测虽已改进但仍存在与健康叶片的非可忽略混淆，应作为分诊信号触发二次检查而非立即不可逆操作。测量延迟15.1ms/图像兼容果园边缘GPU服务器的近实时视频分析。
结论部分总结：本研究针对柑橘病虫害检测精度不足与鲁棒性有限的问题，提出YOLOv26-ACearly-ASPPdeep深度解耦增强模型。通过引入注意力机制（ACearly）增强病虫害区域特征提取，采用改进ASPPdeep模块扩大感受野并提升复杂背景下多尺度病虫害检测能力，优化特征融合网络增强多尺度信息传递与利用，有效解决了传统方法在复杂环境下的检测精度低问题。实验表明该模型将最大精确率从0.75565提升至0.78032（+3.26%），mAP@0.5达到0.863，各类别AP一致提升，黄龙病类别增益最为显著；在统一设置下全面超越YOLOv5n、YOLOv7-tiny、YOLOv8n和YOLOv11n，多种子评估确认稳定性。主要贡献包括：明确界定的新颖性——早期自适应卷积与深层ASPP结合SCDown的深度感知耦合；可复现的实验协议；含SOTA对比、逐类分析、混淆矩阵解读和多运行汇总的强化实证验证；以及将残余误差与果园决策工作流联系的应用导向讨论。该研究可集成于移动终端或农业物联网系统，实现柑橘果园实时监测与早期预警，有助于减少农药使用、提升柑橘产量与品质，促进可持续农业发展。
