《Agriculture》：TGL-YOLO: A Multi-Scale Feature Enhancement Method for Plant Disease Detection Based on Improved YOLO11
Qi Wang and
Zhiyu Wang
编辑推荐：
为解决自然环境下植物病害尺度多变、背景干扰严重导致的漏检误检问题，研究人员开展了基于改进YOLO11的TGL-YOLO模型研究。通过引入TSDBlock、GPST和LSPA模块，显著提升了mAP50和mAP50:95指标，为复杂农田场景下的病害监测提供了高效解决方案。
在智慧农业的发展浪潮中，植物病害检测技术扮演着“农田哨兵”的角色，是保障作物产量、减少农药滥用的关键防线。然而，这位“哨兵”在真实的田野环境中常常面临两大“劲敌”：一是病害斑点的“七十二变”——从针尖大小的早期孢子堆到蔓延整片叶子的巨型病斑，尺度差异极大；二是复杂背景的“视觉欺骗”——光照变化、重叠叶片、杂草干扰等环境噪声，让机器难以分辨哪里是真正的病灶，哪里只是泥土或阴影。尽管基于深度学习的目标检测模型（如YOLO系列）已能实现高速识别，但在面对这种极端多尺度和强噪声干扰时，依然存在小病灶召回率低、误检率高等瓶颈。为此，Qi Wang和Zhiyu Wang在《Agriculture》上发表了题为“TGL-YOLO: A Multi-Scale Feature Enhancement Method for Plant Disease Detection Based on Improved YOLO11”的研究，试图为这位“哨兵”装备更犀利的“视觉武器”。
为了攻克上述难题，研究团队以YOLO11s为基线模型，构建了TGL-YOLO检测框架。该方法主要依托三项关键技术：在骨干网络中引入三尺度动态块（Tri-Scale Dynamic Block, TSDBlock），通过通道拆分与动态卷积自适应捕获多粒度病灶特征；在颈部网络设计门控金字塔空间变换模块（Gated Pyramid Spatial Transformation, GPST），利用门控机制筛选特征并抑制背景噪声；在尾部构建大核可分离金字塔注意力（Large Separable Pyramid Attention, LSPA），替代原SPPF结构以扩大感受野。实验选取了PlantDoc和FieldPlant两个公开数据集进行验证，未使用数据增强以保证性能评估的严谨性。
2.3. Tri-Scale Dynamic Block (TSDBlock)
结论：通过多分支动态卷积实现了对多尺度病灶的自适应特征提取。
传统的YOLO11s骨干网络使用静态卷积，难以同时捕捉微小的早期病斑和扩散后的大面积病灶。TSDBlock创新性地采用了“分而治之”的策略：将输入特征通道按50%:25%:25%的比例拆分为三个分支，分别送入1×1、3×3和5×5动态卷积（DConv）层进行处理。其中，动态卷积通过轻量级路由网络根据输入特征动态生成卷积核权重，实现了“因图制宜”的特征提取。这种设计既保留了细粒度纹理信息，又捕获了 broader context，显著提升了模型对形态多变病害的感知能力，且没有带来过重的计算负担。
2.4. Gated Pyramid Spatial Transformation Module (GPST)
结论：通过门控融合机制有效抑制了复杂背景噪声，提升了定位精度。
在特征融合阶段，直接拼接或相加多尺度特征容易将背景噪声一并放大。GPST模块在保留金字塔空间注意力（PSA）核心的基础上，引入了门控单元（Gating Unit）。该单元通过1×1卷积和Sigmoid激活函数生成空间权重矩阵，对特征进行动态加权融合。具体包括“门控融合加法”和“门控融合拼接”两个步骤，这使得模型能够像“筛子”一样，保留关键的病灶响应，过滤掉杂草、土壤等无关背景信息，从而在复杂田间环境中实现更纯净的特征交互。
2.2. TGL-YOLO Network（整体架构与LSPA模块）
结论：LSPA模块通过扩大感受野增强了模型对全局上下文语义的理解。
TGL-YOLO的整体架构是一个针对农业场景的序列化优化流程：前端TSDBlock解决尺度变异，后端LSPA模块解决语义模糊。LSPA模块替代了原YOLO11s中的SPPF，它结合了级联最大池化和大核可分离注意力（LSKA）机制。大核卷积（如31×31）能够显著扩大特征图的感受野，让模型在识别一个大病斑时能“看到”更广阔的图像区域，从而更好地区分真实病灶与背景中的相似结构（如枯叶斑块），提升了对大面积、不规则形状病害的识别鲁棒性。
3. Results and Discussion（实验验证）
结论：在保持实时性的前提下，各项指标均显著超越基线模型。
在两个极具挑战的数据集上，TGL-YOLO均表现出色。在PlantDoc数据集上，mAP50和mAP50:95分别达到0.591和0.449，较YOLO11s基线提升了4.7%和3.7%；在FieldPlant数据集上，两项指标分别达到0.793和0.608，提升了2.3%和1.9%。尤为重要的是，该方法在提升精度的同时，参数量和计算量（FLOPs）控制在合理范围内，证明了其在实际农田边缘设备（如无人机、IoT传感器）上部署的可行性。
总结与展望
TGL-YOLO通过TSDBlock、GPST和LSPA三个核心模块的协同工作，构建了一个从特征提取、噪声抑制到全局感知的完整优化链路。它不仅有效缓解了自然环境下多尺度病害的漏检问题，还通过门控机制大幅降低了复杂背景导致的误报。这项研究为植物病害检测从“实验室精度”走向“田间鲁棒性”提供了一条可行的技术路径，对推动智能农业的落地应用具有重要的实践价值。未来，结合增量学习（Incremental Learning）和领域自适应（Domain Adaptation）技术，进一步解决模型在不同作物、不同地域间的泛化问题，将是该领域的重要发展方向。
