基于高频和低频特征增强以及注意力引导融合的相似棉花病害智能检测方法

《Engineering Applications of Artificial Intelligence》：The intelligent detection method for similar cotton diseases based on high- and low-frequency feature enhancement and attention-guided fusion

基于YOLOv11改进的多尺度特征融合模型EHDM-Net有效提升了棉叶病害检测精度，通过引入高频-低频自适应增强模块(HLAEM)和高效注意力引导融合模块(EAGFM)优化特征提取，在自建及公开数据集上达到91.4% mAP@50和91% F1值，并成功开发智能检测系统。

　　

陈婷|贾振宏|王佳佳|周刚|欧阳鹏

新疆大学计算机科学与技术学院，中国乌鲁木齐

摘要

准确高效地识别农作物疾病对智慧农业至关重要。然而，现有的深度学习模型由于特征表示不足，往往难以检测到小范围的病害。本文提出了一种自适应且高效的特征融合模型（EHDM-Net），该模型基于“你只需看一次”版本11（YOLOv11）进行开发，以增强多尺度特征表示和检测精度。EHDM-Net包含两个新颖模块：高频和低频特征增强模块（HLAEM），用于增强对象边界和细粒度特征；以及高效注意力导向的融合模块（EAGFM），通过应用像素级动态加权来抑制冗余并增强跨尺度特征交互。在自构建的棉花叶病数据集上的实验中，该模型的平均精度（mAP@50）达到了91.4，F1分数为91。在公共数据集上的验证证实了EHDM-Net的鲁棒性和泛化能力。此外，基于该模型开发了一个智能棉花病害检测系统，支持基于图像和视频的疾病识别，为棉花健康状况的田间监测和分析提供了实用工具。代码地址：https://github.com/Tingchen121/EHDM-Net.git

引言

植物疾病是影响植物健康生长的主要因素，因此开发高效准确的检测技术成为智慧农业研究的重点。在现有的检测方法中，基于计算机视觉的技术因具有非接触、快速和准确等优点而成为农业信息处理的研究焦点（Cui等人，2011年）。特别是深度学习模型——尤其是采用深度卷积神经网络的模型——能够自动提取和学习复杂的高级特征，从而显著提高植物疾病识别和检测的准确性。这些模型已广泛应用于各种农业场景（Zhang和Demiris，2023年；Yang等人，2024年；Cao等人，2024年）。

在这一领域，多种深度学习架构——如VGG16（Simonyan和Zisserman，2014年）、DenseNet（Huang等人，2017年）、EfficientNet（Tan和Le，2019年）、InceptionV3（Szegedy等人，2016年）、MobileNet（Howard等人，2017年）、NasNet（Zoph等人，2018年）和ResNet（He等人，2016年）——已被应用于棉花病害检测（Faisal等人，2025年）。其中，YOLO系列模型尤为值得关注，因为它可以直接从特征图中预测对象类别，从而在不牺牲准确性的前提下实现高检测速度。这一能力使YOLO成为智能棉花病害检测的有力候选者。近年来，研究人员通过模块化优化和特征工程创新不断改进基于YOLO的架构，以在复杂的农业条件下提升性能。例如，Susa等人将YOLOv3（Redmon和Farhadi，2018年）应用于棉花植株和叶片的分类，实现了95.09%的准确率（Susa等人，2022年）。Zhang等人开发了改进版的YOLOX（Ge等人，2021年）模型，该模型结合了高效通道注意力（ECA）（Wang等人，2020年）、硬Swish激活函数和焦点损失机制，从而提高了棉花病害的特征提取速度和检测效率（Zhang等人，2022年）。Madhu和Ravi Sankar将基于YOLOv5的模型与图像处理技术结合，实现了棉花叶病的高精度检测（Madhu和RaviSankar，2025年）。Zhang等人将轻量级模块和注意力机制引入网络架构，显著提升了实时性能和检测精度（Zhang等人，2024年）。类似地，Liao等人引入了GhostConv和STC模块，减少了计算开销（准确率为85.5%），并在环境变化条件下提高了模型的鲁棒性（Liao等人，2025年）。Pan等人提出了重构主干网络并引入新模块的方法，以更好地捕捉不规则的病害模式（Pan等人，2024年）。Li等人提出了一个集成跨层特征融合和注意力机制的网络，在叶病检测中实现了93.7%的准确率（Li等人，2024a）。此外，Feng等人解决了棉花病害与害虫之间的高视觉相似性问题，在复杂田间条件下实现了85.4%的检测准确率（Feng等人，2025年）。

尽管取得了进展，但在棉花叶病的早期到中期阶段，由于细微的褐变症状在视觉上相似，准确区分仍然具有挑战性。田间条件进一步复杂化了诊断过程：密集分布的土壤颗粒在光谱上与病害边缘重叠，导致空间-频率耦合干扰，降低了图像的信噪比，掩盖了关键的病理线索。

为了在多源干扰下提取细微的病理特征，本研究提出了EHDM-Net，这是一种基于YOLOv11n（Jocher等人，2024年）改进的棉花叶病检测模型。

本工作的主要贡献如下：

• (a)
  本文提出了一种高频和低频特征自适应增强模块（HLAEM），通过下采样和插值分解高频和低频成分来增强多频特征。
• (b)
  本文提出了一种高效注意力导向的融合模块（EAGFM），该模块利用加权注意力融合机制自适应选择最相关的特征，同时抑制冗余信息。
• (c)
  为了评估实际应用能力，本研究创建了一个基于实地收集的数据集，重点关注棉花叶病的进展过程，包括边缘梯度和纹理复杂度等细微的早期特征。实验结果证明了该模型在公开数据集上的有效性和泛化能力（A Training Dataset for Deep Neural Network Model Recognition of Common Cotton Diseases Zhao等人，2023年；SAR-CLD-2024：一个全面的棉花叶病检测数据集Bishshash等人，2024年）。

本文的结构如下：第2节回顾了相关研究；第3节详细描述了所提出的方法；第4节介绍了实验数据集的构建过程，并讨论了消融实验和比较实验的结果；第5节总结了本文并提出了未来研究的方向。

节选内容

特征提取方法

YOLOv8（Jocher等人，2023年）和YOLOv11是YOLO系列中的两个重要里程碑，它们在架构设计和性能上存在显著差异。YOLOv8中引入的CSP瓶颈模块（包含2个卷积层C2f）采用了深度可分离卷积与快捷连接的设计，显著降低了模型的计算复杂度，同时有效保留了浅层空间特征。这种轻量级结构提供了更快的检测速度。

YOLOv11网络结构

YOLOv11在YOLOv8和YOLOv10的基础上进行了改进，整合了改进的架构设计、先进的特征提取技术和优化的训练方法。通过平衡速度、准确性和效率，YOLOv11成为了Ultralytics公司开发的最先进的模型之一。其增强设计使得特征提取更加有效，能够识别图像中的关键模式和细节。即使在高度复杂的场景中，YOLOv11也能准确

数据收集

本研究专注于识别和检测棉花叶病的早期和中期症状。在这些阶段，病斑的存在更加明显，更容易观察到，因此及时检测至关重要。早期干预可以显著改善病害管理，优化控制措施，并减少经济损失。本研究使用的图像数据集来自中国新疆维吾尔自治区昌吉市华兴农场。

结论与未来工作

本文提出了EHDM-Net模型，用于解决棉花病害检测问题，尤其是在视觉上相似的病害类别之间。本文介绍了两个模块：(1) HLAEM，它增强了高频边缘响应和细粒度的低频特征；将其应用于C3k2后，形成了C3k2_HLAEM，显著提高了多尺度特征捕获能力；(2) EAGFM，它利用像素级动态加权来抑制冗余并提升融合质量。实验结果表明，EHDM-Net的表现优于

CRediT作者贡献声明

陈婷：撰写——原始草稿、方法论、数据整理、概念构思。贾振宏：撰写——审稿与编辑、项目管理、资金筹集。王佳佳：撰写——审稿与编辑、资源管理、项目管理。周刚：撰写——审稿与编辑、监督、概念构思。欧阳鹏：调查、数据分析、数据整理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了中国科学技术部重大科技创新项目（项目编号：2022ZD0115802）和新疆空天地面一体化智能计算技术实验室研究项目（项目编号：2025A05-1）以及天山人才培训项目新疆科技创新团队计划（项目编号：2023TSYCTD0012）的支持。