摘要
苹果花叶病会降低叶片的光合能力，从而减少苹果产量并降低果实品质。准确检测叶片病害严重程度对于病害监测和制定有效的管理策略至关重要。然而，相邻病害严重等级之间表型差异细微，尤其是在局部褪绿、花叶纹理和病斑边界方面，这使得严重程度的准确区分变得困难。这些细粒度的病害特征在特征传播和传统固定上采样过程中也可能被衰减，进一步阻碍了严重程度检测。为解决上述问题，我们以YOLOv11n为基线模型，集成DySample、三元注意力和FasterNet-PConv，开发了DTF-YOLOv11n用于苹果花叶病严重程度检测。在Neck特征融合路径中，用DySample替换了传统的固定上采样操作，使模型能够学习自适应采样位置，从而在上采样过程中更好地保留局部病害信息。我们在融合P3、P4和P5特征后引入三元注意力，通过跨维度特征交互增强不同严重程度等级的病害特征表征能力。此外，我们将FasterNet-PConv引入Backbone的深层特征提取阶段，在控制模型复杂度的同时减少冗余空间计算。实验结果表明，DTF-YOLOv11n在交并比（IoU）阈值为0.50时平均精度均值（mAP50）达到91.31%，在IoU阈值0.50–0.95范围内平均的mAP（mAP50-95）达到86.73%，相比YOLOv11n分别提升了2.73%和3.66%，同时将参数量从2.591 M减少至2.471 M。与多种YOLO系列和非YOLO检测模型相比，DTF-YOLOv11n表现出优异的总体检测性能。所提出的模型在保持较低模型复杂度的同时，提升了不同严重程度等级下苹果花叶病特征的表征能力，为苹果花叶病的自动检测和严重程度分级提供了技术参考。
