《Smart Agricultural Technology》：SFLD-YOLO: A Lightweight Strawberry Fruit and Leaf Disease Detection Method
编辑推荐：
草莓病害（Strawberry diseases）主要影响果实和叶片，是影响作物产量的关键因素。为解决现有草莓病害识别模型的局限性——即参数过多、检测精度欠佳、环境鲁棒性弱以及小目标检测能力不足——本研究提出了一种名为SFLD-YOLO（Strawberry
草莓病害（Strawberry diseases）主要影响果实和叶片，是影响作物产量的关键因素。为解决现有草莓病害识别模型的局限性——即参数过多、检测精度欠佳、环境鲁棒性弱以及小目标检测能力不足——本研究提出了一种名为SFLD-YOLO（Strawberry Fruit and Leaf Diseases-YOLO）的轻量级检测方法，该方法基于改进的YOLOv11架构。首先，通过集成基于小波变换（Wavelet Transform）的C3K2-WTConv模块对网络进行增强，该模块扩展了多尺度感受野，同时显著降低了模型的计算复杂度。其次，在多尺度特征融合网络（Neck）和检测头（Head）网络中双重嵌入高效多尺度注意力机制（Efficient Multi-Scale Attention, EMA）。这种协同部署最大限度地减少了复杂背景噪声的干扰，动态地将网络注意力重新定向到关键病灶区域，并显著增强了检测鲁棒性。最后，为了增强对早期和微小病害症状的感知能力，研究人员在架构中引入了一个专用的160×160小目标检测头。实验结果表明，所提出的SFLD-YOLO在自定义草莓病害数据集上实现了91.3%的平均精度均值（mAP）、98.2%的精确率（Precision）和97.0%的召回率（Recall）。与YOLOv11基线相比，这些指标分别绝对提升了5.5%、1.9%和3.0%，同时总参数量被大幅压缩至仅2.4 M。此外，可视化分析验证了该模型在边界框定位方面的卓越准确性，有效减少了漏检和误检。本研究为实际农业生产中智能病害管理的轻量级部署提供了一种高效且鲁棒的参考方案。
论文解读文章
**研究背景、现存问题与研究动因**
草莓作为“水果皇后”，具有重要经济价值。然而，草莓植株低矮，茎叶果实贴近地面，易受土壤源病原微生物侵染，导致果实腐烂、叶片黄化及营养生长受阻，严重威胁产量与经济效益。因此，及时有效的病害防控至关重要。
现有草莓病害检测方法主要分为传统机器视觉和现代深度学习两类。传统方法依赖手工特征（如颜色、形状、纹理），鲁棒性和泛化能力有限。深度学习，尤其是基于卷积神经网络（CNN）的目标检测算法，成为主流。YOLO系列因其端到端架构和高效检测性能被广泛采用。然而，现有基于YOLO的草莓病害检测改进研究仍存在参数过多、计算复杂度过高的问题，难以在边缘计算设备上部署。此外，在复杂田间环境中，背景干扰（光照、遮挡）强烈，早期微小病灶特征极易丢失，导致漏检、误检。多数研究仅在模块层面进行组合优化，缺乏针对作物病灶特征表示的系统性协同设计。具体而言，传统轻量化策略虽降低计算量，但削弱了高频细节表征能力；后续注意力机制难以补偿轻量化导致的特征损失；多尺度检测架构对早期微小病灶的精细表征仍不充分。
YOLOv11通过C3K2模块实现自适应多尺度特征融合，并利用C2PSA模块扩大感受野，但在复杂农业场景下，其对细粒度目标的感知能力仍受限。为此，本研究以YOLOv11为基线，提出SFLD-YOLO（Strawberry Fruit and Leaf Diseases-YOLO），从频域细粒度特征增强、复杂背景干扰抑制、小目标感知能力提升三个维度进行协同架构优化，旨在实现检测精度、轻量化和环境鲁棒性之间的优越平衡。
**主要关键技术方法**
研究人员采用了以下关键技术方法（样本队列：Afzaal等人公开的草莓病害数据集，包含2,500张原始图像，经数据增强扩充至12,500张，涵盖角斑病、炭疽病、花枯病、灰霉病、叶斑病、果实白粉病、叶片白粉病七类）：(1) 基于一维Haar小波变换的C3K2-WTConv模块，通过多尺度小波分解与重构，在频域和空间域协同建模，增强高频纹理信息提取并降低计算复杂度；(2) 高效多尺度注意力（EMA）机制，在特征融合（Concat后）和预测输出（Head前）阶段双重部署，动态学习不同区域特征权重，抑制背景噪声；(3) 新增160×160小目标检测头（Tiny head），加强浅层高分辨率特征融合，提升对微小病灶的感知与定位能力。
**研究结果**
**4.1 实验环境与设置**
硬件配置：Intel(R) i7-12400 CPU，NVIDIA RTX 4060 GPU，PyTorch 2.0.0框架。输入图像分辨率640×640，批量大小16，训练轮数300，采用YOLOv11官方预训练权重初始化。
**4.2 实验数据集与预处理**
使用Afzaal等人公开数据集（2500张），经裁剪、平移、亮度调整、加噪、旋转、镜像、Cutout等数据增强后扩充至12,500张。按7:2:1划分为训练集、验证集、测试集，并采用类别感知策略保持各类别分布一致。
**4.3 评估指标**
采用精确率（Precision, P）、召回率（Recall, R）、平均精度均值（mean Average Precision, mAP）、浮点运算数（FLOPs）和参数量（Params）评估模型性能。
**4.4 实验结果**
SFLD-YOLO在草莓病害数据集上达到mAP 91.3%，较YOLOv11基线绝对提升5.5%。五轮独立重复实验（不同随机种子）显示，SFLD-YOLO的Recall、Precision、mAP均值分别为97.0%、98.2%、91.3%，标准差分别为0.8%、1.4%、0.6%，参数仅2.4 M，计算复杂度5.9 G。
**4.5 消融实验**
逐步集成C3K2-WTConv、EMA、小目标检测头后，各模块均带来性能提升。最终完整模型Recall 97.0%、Precision 98.2%、mAP 91.3%，参数2.4 M，FLOPs 5.9 G。证明模块间形成特征增强-注意力引导-多尺度补偿的协同效应。
**4.6 注意力机制对比**
对比ACMix、SimAM、CBAM、NAM、EMA，EMA在mAP和Precision上均最优（88.1%、96.8%），且不增加参数量。进一步探究EMA部署位置，在Concat后和Head前同时嵌入（双位置协同）效果最佳，Recall 96.5%、mAP@0.5 89.3%、mAP@0.5:0.95 64.1%。
**4.7 不同检测算法性能对比**
与Faster R-CNN、SSD、YOLOv5、YOLOv7、YOLOv8n、YOLOv10、YOLOv11对比，SFLD-YOLO在mAP（91.3%）和Precision（98.2%）上最优，参数量（2.4 M）和计算量（5.9 G）最低。与近年SCI期刊发表的草莓病害识别算法（D-YOLO、BHI-YOLO、YOLOv5s-CGhostnet、DSW-YOLO）对比，SFLD-YOLO在Recall和Precision上最优，mAP与最优模型（BHI-YOLO 93.0%）差距极小，且参数量显著更少。
**4.8 跨数据集泛化实验**
在遮挡番茄数据集和柑橘黄龙病（HLB）数据集上，SFLD-YOLO的mAP分别达到93.8%和96.0%，较YOLOv11提升2.7%和0.6%。与各数据集上最新模型对比，SFLD-YOLO在mAP、Recall、Precision上均取得最优结果。
**4.9 鲁棒性测试分析**
在测试集中添加高斯噪声、椒盐噪声、模糊退化及模拟雾、雨等极端天气干扰后，YOLOv11性能显著下降（mAP@0.5降至82.1%），而SFLD-YOLO仍保持稳定，mAP@0.5达89.6%（提升7.5%），Recall 88.8%，Precision 88.1%。可视化对比显示，SFLD-YOLO在阴影、遮挡、雨雾场景下定位更准确，漏检更少。
**4.10 可视化效果对比**
在草莓、番茄、柑橘三个数据集上的可视化对比表明，YOLOv11存在大量漏检，而SFLD-YOLO边界框定位更精确，置信度更高，有效缓解了小目标漏检和误检。
**总结讨论与结论翻译**
**讨论部分总结**：通过系统的消融实验、注意力机制对比、多位置部署分析、主流算法对比、跨数据集泛化验证以及鲁棒性测试，充分证明了C3K2-WTConv模块通过频域特征恢复高频纹理信息，EMA机制有效抑制背景干扰并聚焦关键病灶，小目标检测头提升了对微小斑点的感知能力。三者协同实现了在复杂农业环境中检测精度与轻量化的优越平衡。该模型在遮挡、噪声、模糊、恶劣天气等退化条件下仍维持稳健性能，且在不同作物病害数据集上展现出优异的跨物种泛化能力。
**结论翻译**：为解决现有草莓病害识别模型参数过多、检测精度不足、对小尺度病灶定位能力弱的问题，本研究提出了基于改进YOLOv11架构的轻量级鲁棒识别模型SFLD-YOLO。具体而言，引入C3K2-WTConv模块，通过集成频域信息增强网络对高频病病理纹理的感知，同时减少冗余卷积计算。此外，在多尺度特征融合和预测输出阶段嵌入EMA注意力机制，放大关键病灶区域响应并抑制复杂背景干扰，从而增强复杂场景下病害特征的判别能力。另外，集成了专用的160×160小目标检测头，进一步提升模型对微小病灶的定位和识别能力。这三种增强机制在高频特征增强、关键区域过滤和多尺度感知建模方面形成协同框架，共同提升了模型在复杂农业环境中的鲁棒性和检测精度。实验结果表明，在草莓果实和叶片病害数据集上，SFLD-YOLO较基线模型在Precision、Recall和mAP上分别提升3.0%、1.9%和5.5%，同时模型参数降至2.4 M，计算复杂度降至5.9 G。在遮挡番茄和柑橘黄龙病（HLB）的跨数据集验证中，改进模型的mAP分别达到93.8%和96.0%，证明了其优越的跨物种泛化能力和稳定性。此外，在噪声、模糊和极端天气等退化条件下的鲁棒性测试证实，该模型保持了稳定的检测性能，进一步验证了所提出的协同框架在恶劣环境中的有效性。尽管如此，当前研究仍主要集中于单模态视觉信息，尚未集成多光谱或时间序列数据进行联合建模。未来工作将探索多模态信息融合和轻量级部署优化策略，以提升模型在实际农业生产环境中的适应性和实用性。该论文发表于《Smart Agricultural Technology》。
