复杂自然环境下番茄叶片病虫害检测的多尺度小目标检测框架

《Frontiers in Plant Science》：A multi-scale small object detection framework for tomato leaf pest and disease detection in complex natural environments

　　

引言：研究人员针对智能植物保护中复杂自然环境下病虫害检测所面临的小目标尺度、强背景干扰以及特征提取过程中浅层特征信息丢失等挑战，提出了一种改进的检测框架PLD-YOLO。方法：该框架通过引入高分辨率特征分支增强小目标表征；通过多尺度卷积和自适应特征机制提升上下文建模能力并抑制复杂背景噪声；此外，研究人员引入了动态小目标加权策略，以在尺度不平衡条件下改进小目标学习。结果：研究人员在自然环境下构建的Tomato-Village数据集上系统评估了所提方法，并与具有代表性的两阶段目标检测方法、YOLO系列模型和基于transformer的检测模型进行了比较。消融研究、跨数据集验证以及不同田间条件下的鲁棒性评估进一步证明了所提方法的有效性和鲁棒性。实验结果表明，PLD-YOLO在精确率、召回率、mAP@50和mAP@50–95方面均取得了优异性能，同时保持了较高的推理效率。讨论：该方法为智能植物保护提供了一种潜在的技术解决方案，并有助于推动精准农业的发展。

论文解读

番茄是全球广泛种植和消费的蔬菜作物之一，但生长过程中极易遭受病虫害侵袭，导致产量和品质下降。若缺乏有效防治措施，病虫害可造成番茄产量显著减少。常见的番茄病虫害包括早疫病、晚疫病和镁缺乏症等。传统检测方法主要依赖专家目视解释，存在劳动强度大、主观性强、效率低等缺陷，难以满足现代农业智能化、规模化的发展需求。近年来，深度学习技术推动了图像识别与目标检测的快速发展，基于图像的病虫害检测逐渐成为研究热点。然而，现有研究大多基于实验室或受控环境下采集的数据集，背景简单、干扰因素可控，模型迁移到真实自然环境中时性能明显下降。在真实自然环境中，番茄病虫害受类型、发育阶段、复杂背景、光照变化等多种因素影响，往往呈现目标密集、尺度多样、边界模糊等特点；小目标特征在深度网络特征提取过程中容易丢失，导致漏检和误检。因此，迫切需要针对复杂自然环境下番茄叶片小目标病虫害检测进行专门设计。

针对上述问题，研究人员以YOLOv11-l为基线模型，提出了一种改进的检测框架PLD-YOLO。该框架通过引入高分辨率P2特征分支、轻量局部上下文特征增强（LCFE）模块和动态小目标重加权损失（DSOR-Loss），增强了小目标特征表示、多尺度上下文建模与训练过程中的尺度平衡能力。研究在自然环境下构建的Tomato-Village数据集上进行了系统评估，并与Faster R-CNN、RT-DETR、RetinaNet、YOLOv5-l、YOLOv8-l、YOLOv9-c、YOLOv10-l、YOLOv11-l、YOLOv12-l等代表性方法进行了比较。结果显示，PLD-YOLO在精确率、召回率、mAP@50