近日，我院2023级硕士研究生吴世琛、2024级硕士研究生邢思瑶在毛玉明副教授的指导下，分别以第一作者身份在农业工程领域的国际知名期刊《农业工程学报》发表了题为《基于改进YOLO11n的葡萄果叶病害检测方法》和《基于YOLO11-RFL模型的甜菜田杂草轻量化检测方法》的文章。

为提高葡萄果叶病害的检测精度和速度，解决葡萄因生长环境和病害种类复杂造成的误检、漏检等问题，吴世琛等作者团队长期坚持在农业生产一线采集葡萄果叶病害详实数据，并提出了一种基于改进YOLO11n的葡萄病害检测模型RLSL-YOLO11。将YOLO11n主干网络替换为融合RepConv的HGNetv2，构建改进型主干网络RHGNetv2；引入基于LSKA注意力机制设计的改进型池化模块LSPF，用于强化模型的多尺度特征建模能力；采用Slim-neck架构优化颈部特征融合网络，以降低模型的整体计算复杂度；设计了一种轻量级共享卷积分离器批量归一化检测头LSCSBND，以进一步降低参数量和计算复杂度，并提高模型对多尺度病害特征的定位和提取能力。在该研究构建的数据集检测中，RLSL-YOLO11模型的准确率、召回率、mAP0.5和mAP0.5-0.95分别为82.8%、76.1%、83.1%和52.0%。研究表明，RLSL-YOLO11模型在有效提升综合检测能力的同时也降低了计算资源的需求，为葡萄果叶病害检测的轻量化和实际应用提供了参考。

针对复杂农田环境下甜菜幼苗与杂草识别速度慢、精度低的问题，邢思瑶等作者团队通过长期采集并分析甜菜田图形数据，提出了一种基于改进YOLO11n的甜菜田检测模型YOLO11-RFL。参考GhostNet思想，设计了重参数化幽灵层级聚合模块替代YOLO11n的C3k2模块，在模块分支上采用重参数化技术，增强特征提取能力，降低模型计算量；提出采用特征金字塔网络重构框架（rethinking features-fused-pyramid-neck，RFPN）改进Neck网络，解决多尺度目标检测中的特征错位问题，提高实时目标检测的性能和效率；采用GroupNorm改进检测头中的卷积部分，设计出轻量级共享卷积检测头（lightweight shared convolutional separator GN detection head，LSCSGND），增强小目标定位和分类能力，更准确地检测杂草目标；引入知识蒸馏（教师-学生模型）框架，通过基于特征的CWD知识蒸馏策略，实现对YOLO11-RFL的计算效率与精度的协同优化。YOLO11-RFL模型具有良好的工程部署可行性，在实际应用场景中具备优异的实时推理性能与较高的计算效率。研究结果可为甜菜田杂草的精准识别与高效治理提供技术支撑，对推动农业生产智能化具有重要意义。

《农业工程学报》是中国科技期刊卓越行动计划—中文领军期刊，入选“农业工程”、“遥感科学与技术”2个领域高质量科技期刊分级目录第一区（T1），影响因子、总被引频次、综合评价指标多项位列农业工程类期刊第一名，世界期刊影响力指数（WJCI）位于农业工程学科Q1区，Scopus发布的CiteScore农业与生物科学大类排名中位于Q1区。

论文链接：

http://www.tcsae.org/cn/article/doi/10.11975/j.issn.1002-6819.202508211

http://www.tcsae.org/cn/article/doi/10.11975/j.issn.1002-6819.202503032

（文图/戴礼娥）