基于DySample、Triplet Attention和FasterNet-PConv改进的DTF-YOLOv11n苹果花叶病严重程度检测模型

《Plants》：DTF-YOLOv11n: An Improved YOLOv11n Model for Apple Mosaic Disease Severity Detection

　　**摘要**苹果花叶病会削弱叶片的光合能力，降低苹果的产量和果实品质。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，相邻病害严重程度级别之间的细微表型差异，特别是局部黄化、花叶纹理和病斑边界，使得准确的严重程度区分具有挑战性。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削弱，进一步阻碍了严重程度检测。为了解决这些问题，我们以YOLOv11n为基线模型，集成DySample、Triplet Attention和FasterNet-PConv，开发了用于苹果花叶病严重程度检测的DTF-YOLOv11n模型。在Neck特征融合路径中，DySample取代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，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Triplet Attention，通过跨维度特征交互来增强不同严重程度级别的病害特征表示。此外，我们将FasterNet-PConv纳入Backbone的深度特征提取阶段，在控制模型复杂度的同时减少冗余的空间计算。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范围内的平均精度均值（mAP50-95）达到86.73%，相较于YOLOv11n分别实现了2.73%和3.66%的相对提升，同时将参数量从259.1万减少至247.1万。与多种YOLO系列和非YOLO检测模型相比，DTF-YOLOv11n展现了强大的整体检测性能。该模型在保持较低模型复杂度的同时，提高了苹果花叶病不同严重程度级别特征的表示能力，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。