一种基于快速积分终端滑模控制的全波 buck 转换器，配有固定时间观测器，用于太阳能供电的牲畜智能项圈 作者：张世明、欧阳浩晨、史胜强、方贵昌、王振、杜新楠、黄博岩

《Agriculture》：A Fast Integral Terminal Sliding Mode Buck Converter with a Fixed-Time Observer for Solar-Powered Livestock Smart Collars Shiming Zhang, Haochen Ouyang, Shengqiang Shi, Guichang Fang, Zhen Wang, Xinnan Du and Boyan Huang

胡麻是我国重要的油料作物，但其产量与品质常受病虫害威胁。针对田间复杂背景下病虫害目标检测精度低、模型计算开销大、专用数据集匮乏等难题，研究者构建了包含7个类别的胡麻病虫害数据集，并集成实例级数据增强。在YOLOv11基线模型上，通过引入自适应下采样（ADown）、C3K2-STAR模块和辅助检测头，提出了一种轻量化改进模型。该模型在mAP@50上较多种主流模型提升0.5-7.3个百分点，同时显著减少了参数量和计算量，在检测精度与计算效率间取得了良好平衡，为资源受限的田间边缘设备部署提供了可行方案。

　　

胡麻，学名Linum usitatissimumL.，是一种富含α-亚麻酸、膳食纤维和木脂素等生物活性物质的油料作物，在全球温带地区广泛种植，具有重要的经济和农业价值。然而，田间频发的虫害和病害严重制约了其产量潜力和品质稳定。传统的病虫害监测主要依赖人工田间巡查、生物诱捕和化学分析，这些方法耗时耗力、效率低下，且难以满足大面积种植的实时监控需求。虽然深度学习目标检测方法，如YOLO系列和R-CNN系列，在农业病虫害识别中展现出巨大潜力，但在应用于胡麻这种具体作物时，仍面临几大挑战：复杂的田间背景（如叶片遮挡、土壤干扰、光照不均）、目标尺度变化大、小目标（如病斑、小型害虫）特征微弱，以及模型通常较为臃肿，难以部署在计算资源有限的边缘设备上。此外，公开可用的标准化胡麻病虫害数据集的缺乏，也阻碍了相关模型的训练与评估。为了解决上述问题，推动胡麻病虫害监测的自动化与智能化，一项新的研究应运而生。

研究者为开展此项工作，主要采用了以下几项关键技术方法：首先，在甘肃省的三个地点（定西市农业科学院油料作物研究站、皋兰县上川镇老坝地区和香炉山试验田）采集了原始图像，并利用网络爬虫进行了补充，构建了一个涵盖五种主要害虫（Blister Beetle, Grasshopper, Flax Flea Beetle, Beet Webworm, Sesame Webworm）和两种常见病害（Flax Yellows, Fusarium Wilt）共7个类别的专用胡麻病虫害图像数据集。其次，采用了实例级数据增强策略，通过对目标实例进行裁剪、随机旋转变换后粘贴到新背景，以增加数据多样性和缓解类别不平衡。最后，以YOLOv11为基线模型，进行了针对性的架构改进，集成了自适应下采样（ADown）模块、C3K2-STAR模块，并引入了辅助检测头（AuxDet）以增强训练监督，最终形成了改进的轻量化检测模型。

研究结果

2.1. 数据集描述

研究团队于2024年6月至7月胡麻花期，在甘肃省三个地点开展了实地数据采集，并使用华为智能手机获取了高分辨率图像。经过数据清洗、标注（使用LabelImg工具）和实例级数据增强后，最终构建的数据集包含2000张图像，共计3470个标注实例。该数据集涵盖了胡麻田间常见的病虫害类别，为模型训练提供了坚实的基础。

2.2. 改进的YOLOv11网络架构

本研究提出的改进模型以YOLOv11为基线。针对胡麻田间小目标、复杂背景的检测难点，研究者进行了三项核心改进：1) 在骨干网络中用ADown模块替代大部分标准卷积层，以内容感知的方式动态调整下采样，保留富含信息的区域细节，有利于小目标特征提取。2) 在颈网络中用C3K2-STAR模块替换所有C3K2模块，以增强多尺度特征表示和空间特征建模能力。3) 在网络中引入两个辅助检测头，仅在训练阶段提供额外的监督损失，以改善浅层特征学习和加速收敛，推理时则移除，不增加计算开销。

3. 实验结果与分析

通过系统的对比实验和消融研究验证了所提模型的有效性。在性能指标上，改进后的模型在平均精度均值（mAP@0.5）上显著优于Faster R-CNN、RT-DETR-ResNet50、YOLOv3-tiny、YOLOv5n、YOLOv8n、YOLOv11n和YOLOv12n等基线模型，分别高出4.4、7.3、4.1、2.4、2.6、2.2和2.8个百分点。在更严格的mAP@0.5:0.95指标上也表现出可比或更优的性能。在模型效率方面，改进模型实现了显著的压缩，与Faster R-CNN、RT-DETR-ResNet50、YOLOv8n、YOLOv11n和YOLOv12n相比，参数量分别减少了55.1%、94.8%、18.6%、15.1%和14.5%，计算量（GFLOPS）分别降低了31.5%、95.6%、19.1%、12.7%和12.7%。消融实验进一步证实了ADown、C3K2-STAR和辅助检测头每个组件对提升模型性能均有积极贡献。

4. 结论与讨论

本研究成功地开发了一种用于胡麻病虫害检测的轻量化、高性能目标检测模型。该工作的主要贡献包括：构建了一个专用的、覆盖七类常见胡麻病虫害的图像数据集；提出了一种基于YOLOv11的改进框架，通过集成ADown、C3K2-STAR和辅助检测头，有效增强了模型在复杂田间环境下对小目标和多尺度目标的特征提取与表征能力；并通过全面的实验证明了该模型在检测精度和计算效率之间取得了良好的平衡。

这项研究的意义在于，它为解决胡麻生产中病虫害实时、精准监测的难题提供了一种可行的技术方案。所提出的模型不仅在准确性上超越了多种先进模型，更因其轻量化的特性，显示出在智能手机、无人机搭载计算单元等资源受限的边缘设备上实际部署的潜力，这对于实现大面积、自动化的田间病虫害监测具有重要的应用价值。当然，研究也指出，未来仍需在更多样化的场景和更大规模的数据集上对模型进行验证，以进一步提升其泛化能力和鲁棒性。总体而言，这项工作为基于深度学习的智能农业监测，特别是针对特定作物的轻量化模型设计，提供了有价值的参考和实践范例。

该研究以题为“A Fast Integral Terminal Sliding Mode Buck Converter with a Fixed-Time Observer for Solar-Powered Livestock Smart Collars”的文档形式提供，但经核实，其实际内容为关于胡麻病虫害检测的深度学习研究，并已发表在期刊《Agriculture》上。