《Agriculture》:LRA-YOLOv11n: An Improved YOLOv11n Model for Field Detection of Mango Malformation Disease
编辑推荐:
芒果畸形病(MMD)的早期检测与及时管理对稳定产量和提升果园管理效率至关重要。然而,现有芒果病害识别研究多集中于叶片病害、果实缺陷或图像级分类,针对自然果园条件下MMD相关芒果花序的目标检测仍研究不足。该任务面临挑战:畸形花序形态变异大、尺度不一,且常受枝条遮
芒果畸形病(MMD)的早期检测与及时管理对稳定产量和提升果园管理效率至关重要。然而,现有芒果病害识别研究多集中于叶片病害、果实缺陷或图像级分类,针对自然果园条件下MMD相关芒果花序的目标检测仍研究不足。该任务面临挑战:畸形花序形态变异大、尺度不一,且常受枝条遮挡、光照变化及复杂背景干扰。为此,研究人员提出一种基于YOLOv11n的改进模型LRA-YOLOv11n用于MMD田间检测。以YOLOv11n为基线,首先引入LSKNet(Large Selective Kernel Network)重构骨干网络,提供动态大感受野机制以表征大跨度不规则畸形花序轮廓;其次在颈部网络融入感受野注意力,构建C3k2_RFAConv与RFAConv模块,精炼多尺度语义特征并抑制重叠枝叶与阴影带来的背景噪声;最后在训练阶段增设辅助检测分支,通过深度监督强化对小目标或弱可见花序特征及模糊边界的学习。在自建田间数据集上的测试表明,改进模型mAP@0.5与mAP@0.5:0.95分别达82.4%和49.4%,较基线YOLOv11n提升5.0和3.4个百分点;模型参数量5.57 M,在同规模模型中具竞争力。结果表明LRA-YOLOv11n在保持适中计算成本的同时,缓解了测试果园场景中的特征混淆、漏检与误检,为MMD田间图像检测进一步评估提供了初步算法支撑。
研究背景方面,芒果作为重要热带果树受芒果畸形病(MMD,由Fusarium mangiferae等系统真菌病原引起)严重威胁,四川攀枝花等主产区病枝率可达50%。传统人工巡检依赖经验、受天气光照制约,难以满足现代化果园需求。现有深度学习研究多聚焦叶片、果实或图像级分类,对自然场景下畸形花序这一开花期直接决定坐果量的目标检测几乎空白,而该类目标具簇生、变形不规则、小目标密集、枝叶遮挡等特性。为此,研究人员以YOLOv11n为基线开展专用检测模型研究,最终提出LRA-YOLOv11n并在《Agriculture》发表,为田间MMD监测提供算法基线。
关键技术方法上,研究人员于2026年3月在中国四川攀枝花盐边县桐子林镇单一芒果园用iQOO 9手机采集657张4096×3072原始图,按8:1:1分集并做组内增强至1050张,标注健康与染病花序两类边界框;以YOLOv11n为基线,骨干替换轻量LSKNet-T(LSKBlock深度3-3-5-2,通道32-64-160-256),颈部以C3k2_RFAConv替代C3k2、RFAConv替代下采样卷积,训练期加Aux Head辅助头(α=0.25深度监督、推理期剪除),统一1280×1280输入、AdamW、150 epoch、RTX 3090训练。
研究结果部分,3.1节多模型对比显示LRA-YOLOv11n在YOLOv5s/v8n/s/v10n/s/v11n/s及RT-DETR-L中mAP@0.5最高(82.4%),收敛曲线更稳定;3.2节骨干对比中LSKNet在RepViT、FasterNet、EfficientViT、HGNetv2等8种骨干中精度最佳,验证动态大感受野适配畸形轮廓;3.3节颈部对比中RFAConv+C3k2_RFAConv优于EMA、ODConv及RFCAConv等变体,mAP@0.5比原Conv+C3k2高2.3点,RFCBAMConv因全局池化洗掉细粒度纹理致召回骤降;3.4节检测头对比中Aux Head在aux、LSCSBD、LSCD等5种头中综合最优(P=82.8%,R=75.9%);3.5节消融实验确认LSKNet、RFAConv系列、Aux Head独立均带来增益,三模块叠加达最终82.4%/49.4%,参量5.57 M、FLOPs 18.14 G;3.6节可视化与Grad-CAM++热图显示模型响应由背景弥散转为花序集中,近景中景远景漏检误检少于基线。
讨论部分指出,数据仅限单园单季单设备、标注依可视症状未做双标注者一致性量化、无树级/距离级分层标签,限制跨区泛化结论;后续需多园多季多品种验证、补距离标签与病原确认、做端侧部署时延测试。结论部分翻译如下:为应对测试果园中花序形态不规则、边界模糊、背景强干扰及小花序漏检,本研究提出LRA-YOLOv11n,以LSKNet动态大感受野增强畸形轮廓表征,以RFAConv与C3k2_RFAConv精炼多尺度特征并抑噪,以Aux Head深度监督强化浅中层小目标学习;该模型在自建集上mAP@0.5与mAP@0.5:0.95达82.4%与49.4%,较YOLOv11n提5.0与3.4点,P/R为82.8%/75.9%,较YOLOv5s、YOLOv8n/s、YOLOv10n/s、YOLOv11s及RT-DETR-L在精度-参量-计算间平衡更优;Grad-CAM++定性表明注意力更聚于畸形花序、减少天空枝叶绿地响应。LRA-YOLOv11n在单区田间集上提升MMD花序检测,为后续监测研究提供潜在算法基线,实用化前仍需广域多园验证与真机部署测试。