《Plants》：SLR-YOLO: An Improved YOLO-Based Method for Accurate Detection of Potato Leaf Diseases in Complex Field Images
编辑推荐：
马铃薯叶片病害直接降低产量和品质，精确的田间检测对于精准植物保护至关重要。然而，马铃薯病害病变通常深度语义表示较弱，易受复杂田间背景干扰，且病变纹理呈现多尺度变化。为了解决这些挑战，该研究提出了一种改进的基于YOLO的马铃薯叶片病害检测模型。所提出的模型通过三
马铃薯叶片病害直接降低产量和品质，精确的田间检测对于精准植物保护至关重要。然而，马铃薯病害病变通常深度语义表示较弱，易受复杂田间背景干扰，且病变纹理呈现多尺度变化。为了解决这些挑战，该研究提出了一种改进的基于YOLO的马铃薯叶片病害检测模型。所提出的模型通过三个任务导向模块增强检测器。深度症状增强（Deep Symptom Enhancement, DSE）用于加强深层病害特征提取；基于大核可分离注意力的病变选择注意力（Lesion Selection Attention, LSA）改善了病变区域的空间选择；多尺度细化适配器（Multi-Scale Refinement Adapter, MSRA）采用基于Mona的C2PSA结构，并堆叠两个Mona适配器以细化多尺度纹理和病变边界信息。实验在马铃薯叶片病害图像数据集上进行，使用mAP50、平均召回率（average recall, AR）、参数量、GFLOPs和FPS作为评估指标。基线YOLO26s实现了81.31%的mAP50和77.85%的AR。所提出的SLR-YOLO模型实现了88.92%的mAP50和83.51%的AR，mAP50和AR分别提高了7.61和5.66个百分点，同时保持了118.6 FPS。结果表明，所提出的框架在保留实际实时性能的同时，提高了马铃薯叶片病害图像的检测精度。
马铃薯是全球广泛种植的重要粮食与经济作物，叶片病害（如早疫病、晚疫病）直接削弱光合作用面积，导致产量和品质下降。传统人工巡检依赖经验，劳动强度大、诊断标准不稳定，且难以实现连续监测。基于深度学习的图像检测技术为精准植保提供了有效路径，但现有方法在复杂田间场景下面临三大核心挑战：早期病变深度语义表征弱、田间背景（土壤、茎秆、阴影等）干扰导致假阳性、以及多尺度病变纹理（小斑点、边缘晕环、大面积坏死区）使统一特征表达困难。为此，研究人员提出一种面向马铃薯叶片病害的改进YOLO检测模型SLR-YOLO，旨在通过任务导向的模块设计针对性解决上述难题。该研究成果发表于《Plants》期刊。
**主要关键技术方法（不超过250字）**
研究以YOLO26s为基线，引入三个核心模块构建SLR-YOLO。1）**深度症状增强（Deep Symptom Enhancement, DSE）**：在骨干网络第四阶段（BB4）插入注意力增强与局部卷积融合，强化深层病变语义特征提取。2）**病变选择注意力（Lesion Selection Attention, LSA）**：基于大核可分离注意力（Large Separable Kernel Attention, LSKA）机制，通过局部与大范围上下文融合生成空间选择掩码，抑制非病变背景响应。3）**多尺度细化适配器（Multi-Scale Refinement Adapter, MSRA）**：置于空间金字塔池化快速（SPPF）模块之后，采用C2PSA风格的双分支结构，堆叠两个Mona适配器，利用多核深度可分离卷积细化斑点、边缘及坏死区纹理。实验在作者自建的马铃薯叶片病害图像数据集上进行，涵盖早疫病、晚疫病、真菌叶病、虫害叶等多种类别，所有模型在统一训练设置下对比。
**研究结果**
**4.2 模型整体性能**
与基线YOLO26s（mAP50 81.31%，AR 77.85%）相比，SLR-YOLO的mAP50提升7.61个百分点至88.92%，AR提升5.66个百分点至83.51%。参数量从10.010M增至10.824M，GFLOPs从22.84G增至34.98G，但FPS仍保持在118.6，满足实时检测需求。结论：三个模块联合提升了检测精度与召回率，速度损失可接受。
**4.3 与基线及现有检测器对比**
与YOLOv5S、YOLOv8S、YOLOv11S、YOLO26s、RTDETR_L、SPPELAN、EfficientDet-D0在同一数据集上训练测试。SLR-YOLO取得最高mAP50（88.92%）和AR（83.51%），FPS（118.6）高于RTDETR_L（62.8）和EfficientDet-D0（15.5）。结论：该模型在精度-速度平衡上优于当前代表性检测器。
**4.4 注意力机制对比**
以YOLO26s为baseline，独立测试SE、CBAM、CA、ECA、LSKA五种注意力。LSKA最优（mAP50 85.79%，AR 80.44%），比baseline提升4.48和2.59个百分点，FPS达186.6。结论：大核可分离空间建模适合马铃薯病变的不规则分布与多尺度特性。
**4.5 骨干增强位置实验**
在骨干网络不同阶段（BB3、BB4、BB34、Full-BB）插入DSE模块。BB4-P5位置取得最佳mAP50（86.37%）和AR（80.73%），比baseline分别提升5.06和2.88个百分点；Full-BB-P5虽提升但FPS降至62.8且精度非最高。结论：BB4处增强语义提供了最佳精度-效率折中。
**4.6 Mona适配器深度有效性**
测试Mona适配器堆叠数量N=1至4。N=2时性能最优（mAP50 86.11%，AR 80.38%），N=3、4时精度下降。结论：适度深度的多尺度细化（N=2）能有效平衡特征细化与过拟合风险。
**4.7 消融实验**
单独模块：DSE（mAP50 86.37%）、LSA（85.79%）、MSRA（86.11%）均显著优于baseline。双模块组合：DSE+MSRA（87.94%）> DSE+LSA（87.21%）> LSA+MSRA（86.93%）。三模块组合（SLR-YOLO）达到最优（88.92% mAP50，83.51% AR）。结论：三个模块具有互补性，联合使用效果最佳。
**4.8 复杂度与速度分析**
SLR-YOLO参数量（10.824M）接近YOLOv8S，GFLOPs（34.98G）高于baseline但低于RTDETR_L（244.75G），FPS（118.6）远高于EfficientDet-D0（15.5）与RTDETR_L（62.8）。结论：模型在计算成本与推理速度间取得了实用平衡。
**4.9 检测结果可视化**
热力图与检测框对比显示：YOLO26s对小/模糊病变响应不足，YOLOv11s和RTDETR_L在叶片重叠和复杂纹理下定位不稳定；SLR-YOLO在早疫病、真菌叶、晚疫病、害虫叶样本上均产生更完整的病变响应区域。消融变体热力图进一步证实DSE、LSA、MSRA各自的作用：LSA改善空间选择，MSRA增强边界纹理，DSE强化深层语义。
**讨论与结论**
讨论部分指出，SLR-YOLO的设计遵循“面向病害”原则，三个模块分别对应深度语义弱化、背景干扰、多尺度纹理变化的具体挑战，而非简单堆叠通用模块。实验证实DSE、LSA、MSRA相互补充。未来需关注数据集类别平衡、早期弱症状的多模态融合（如高光谱、环境传感）以及边缘设备部署（剪枝、量化、知识蒸馏）。研究结论总结如下：本文提出一种改进的YOLO检测模型SLR-YOLO用于马铃薯叶片病害图像。针对深度语义弱化、田间背景干扰和多尺度病变纹理变异三大实际困难，模型引入DSE、LSA和MSRA。DSE加强深层特征提取以保留弱病害信息；LSA提升对空间分布病变区域的注意力；MSRA在SPPF后细化多尺度纹理和病变边界信息。实验结果表明，所提模型mAP50达88.92%，AR达83.51%，分别比YOLO26s基线高7.61和5.66个百分点；模型参数量10.824M，GFLOPs 34.98G，FPS 118.6。该框架在提升检测精度的同时保持实时性，为精准农业病害监测提供了有用参考。
