《Agriculture》：Do Green Finance Reform Pilot Zones Reduce Agricultural Carbon Emission Intensity in China? Evidence from a Quasi-Natural Experiment Based on the Multi-Period Difference-in-Differences Method
Wanyu Liu,
Rui Luo and
Shiping Mao
编辑推荐：
及时准确地检测亚麻（Linum usitatissimumL.）病虫害对于确保产量稳定和产品质量至关重要。然而，由于背景复杂、目标尺度变化大以及计算资源有限，实际田间部署仍面临挑战。为解决这些问题，研究人员开发了一种基于YOLOv11的轻量化优化框架用于亚麻病
及时准确地检测亚麻（Linum usitatissimumL.）病虫害对于确保产量稳定和产品质量至关重要。然而，由于背景复杂、目标尺度变化大以及计算资源有限，实际田间部署仍面临挑战。为解决这些问题，研究人员开发了一种基于YOLOv11的轻量化优化框架用于亚麻病虫害识别。该研究建立了一个包含七种常见亚麻病虫害类别的专用数据集，并采用实例级数据增强策略来提高数据多样性并缓解类别不平衡问题。在YOLOv11基线的基础上，集成了ADown和C3K2-STAR模块以增强多尺度特征表示同时减少计算冗余，并在训练期间引入辅助检测头以提供额外的监督。实验结果表明，该方法在mAP@50指标上分别比Faster R-CNN、RT-DETR-ResNet50、YOLOv3-tiny、YOLOv5n、YOLOv8n、YOLOv11n和YOLOv12n高出4.4、7.3、4.1、2.4、2.6、2.2和2.8个百分点。对于更严格的mAP@50:95指标，该方法也分别优于Faster R-CNN、RT-DETR-ResNet50、YOLOv3-tiny、YOLOv5n、YOLOv11n和YOLOv12n 2.9、3.6、4.3、2.8、2.0和0.5个百分点，同时实现了与YOLOv8n相当的性能。此外，该模型实现了显著的模型压缩，其参数量分别比Faster R-CNN、RT-DETR-ResNet50、YOLOv3-tiny、YOLOv8n、YOLOv11n和YOLOv12n减少了55.1%、94.8%、77.0%、18.6%、15.1%和14.5%，并将计算成本（GFLOPS）降低了31.5%、95.6%、61.5%、19.1%、12.7%和12.7%。这些结果表明，所提出的方法在检测精度和计算效率之间取得了良好的平衡，表明其在亚麻病虫害实际监测以及在资源受限的边缘设备上的部署具有潜在适用性，尽管仍需在更多样化的场景中进行进一步验证。
论文解读
研究背景与意义
亚麻（Linum usitatissimumL.）作为一种重要的油料作物，在全球温带地区广泛种植，具有重要的经济与农业价值。然而，各类虫害与病害严重制约着亚麻的产量与品质，导致光合作用受阻、生长抑制及生产力下降。传统的田间监测手段主要依赖人工巡查和生物诱捕，这些方法不仅耗时耗力，且受环境因素影响大，难以实现大规模、及时的监测。虽然机器学习方法已被引入农业领域，但传统模型往往依赖手工特征，难以捕捉复杂的田间空间模式。尽管现有的深度学习模型如YOLO系列和R-CNN系列在农业检测中表现出色，但在复杂的田间环境下，目标尺度多变、遮挡严重以及异构背景仍是挑战，且许多模型体积庞大，难以在资源受限的边缘设备上部署。此外，缺乏标准化的亚麻病虫害公开数据集也限制了模型的训练与基准测试。因此，开发一种轻量级、高精度且适用于边缘设备的亚麻病虫害自动识别系统具有重要的现实意义。该研究成果发表于《Agriculture》期刊。
关键技术方法
研究人员构建了包含五种害虫（大麻甲虫、蝗虫、亚麻跳甲、甜菜网螟、芝麻螟）和两种病害（亚麻黄化病、镰刀菌枯萎病）共七个类别的专用数据集，并通过网络爬虫扩充数据，总计获得2000张图像和3470个标注实例。针对数据不平衡问题，采用了实例级数据增强策略。在算法层面，以YOLOv11为基线，引入了自适应下采样（ADown）模块以保留小目标细节，使用C3K2-STAR模块替代颈部网络中的标准模块以增强多尺度特征表示，并借鉴YOLOv7的思路添加了两个辅助检测头（Auxiliary Detection Heads）以在训练阶段提供更强的监督信号，而在推理阶段则移除这些头部以保证效率。
研究结果
1. 数据集描述
数据采集于中国甘肃省的三个地点，涵盖了花期这一病虫害高发期，并在不同视角、时间和天气条件下拍摄。原始图像经过筛选、裁剪和LabelImg工具标注，形成了包含986张实地采集图像和152张网络爬取图像的初始数据集。经过实例级数据增强后，数据集规模扩展至2000张图像，并按8:2的比例划分为训练集和验证集。
2. 改进的YOLOv11网络架构
研究人员提出了一种针对亚麻病虫害检测的改进YOLOv11架构。除了骨干网络的前两层卷积外，其余标准卷积层均被替换为ADown模块，以根据特征显著性动态调整下采样过程，从而在压缩背景区域的同时保留富含信息的区域。在颈部网络中，所有C3K2模块被替换为C3K2-STAR块，以加强空间特征建模。此外，在网络的中间层引入了辅助检测头，通过引入辅助损失分支来指导浅层特征学习并加速收敛，且在推理时将其移除以确保零额外计算开销。
3. 自适应下采样（ADown）模块
针对田间环境中目标尺寸小、背景干扰大的问题，研究人员引入了YOLOv9中的ADown模块。该模块摒弃了固定步长的卷积或池化操作，采用内容感知的采样机制。通过引入下采样掩码（m ∈ {0,1}H/d×W/d）来区分重要区域与背景区域，其数学表达式为 ψa′(fi,j′) = { fi,j′, if mi,j=0; ψ′(fi,j′), if mi,j=1 }。这种设计使得网络能够更有效地保留密集细节区域，同时高效压缩背景区域，提升了小目标的特征信噪比。
研究结论与讨论
研究结果表明，改进后的YOLOv11模型在亚麻病虫害检测任务中表现出卓越的性能。在精度方面，该模型在mAP@50指标上显著优于Faster R-CNN、RT-DETR-ResNet50以及多个YOLO系列轻量级模型（如YOLOv5n, YOLOv8n, YOLOv11n等），在更严格的mAP@50:95指标上也保持了领先优势，仅与YOLOv8n性能相当。在效率方面，该模型实现了显著的轻量化，参数量和计算量（GFLOPS）较对比模型均有大幅下降，证明了其在资源受限的边缘设备上的部署潜力。
综上所述，该研究成功构建了一套完整的亚麻病虫害识别解决方案，从专用数据集的建立到网络架构的创新优化，有效解决了复杂农田背景下小目标检测难、模型计算量大等问题。这不仅为亚麻生产的智能化监测提供了可靠的技术支撑，也为其他农作物病虫害的轻量化检测研究提供了有价值的参考范式。未来的工作将侧重于在更多样化的实际场景中对模型进行验证，以进一步提升其鲁棒性和泛化能力。
