文献类型： 中文期刊

作者： 陈自立 ¹ ; 郭燕 ¹ ; 王明鑫 ² ; 林卫 ³ ; 王来刚 ¹ ; 杨秀忠 ¹ ; 刘剑君 ⁴ ; 郑恒彪 ⁵ ; 王爱国 ⁶ ;

作者机构： 1.河南省农业科学院农业信息技术研究所

2.河南省烟草公司平顶山市公司

3.河南师范大学计算机与信息工程学院

4.中国烟草总公司河南省公司

5.南京农业大学农学院

6.中国烟草总有限责任公司

关键词： 烟草病害检测;无人机;遥感影像;深度学习;轻量化;YOLOv10

期刊名称： 山东农业科学

ISSN： 1001-4942

年卷期： 2025 年 57 卷 009 期

页码： 149-163

摘要： 针对烟草无人机遥感影像中病害植株尺度差异大、背景复杂、分辨率低等问题,本研究基于YOLOv10 提出了一种轻量化病害检测算法——RT-YOLOv10,用于无人机影像烟草病害的高精度实时监测.首先,引入RFAConv卷积和SimAM无参注意力优化下采样模块,提高特征提取的精确性;引入DySample上采样,更准确地恢复颜色、纹理、边缘等病害识别有效信息;同时,设计一种双分支协同密集连接颈部结构,促进多层次语义信息的交互,提高网络对不同类型病害特征的学习与表达能力.其次,使用改进后的MS_C2f、MS_CSP模块分别替换主干和颈部网络中的C2f模块,增强网络对不同大小、形状病害植株的多尺度特征捕捉能力和特征融合效率,并利用内部嵌入的注意力机制聚焦关键信息、突出病害植株目标主体,减少因杂草、光斑等复杂背景干扰带来的误检漏检.最后,将原边界框损失函数替换为MPDIoU,进一步提高病害识别准确度.实验结果表明,RT-YOLOv10 的标准版本RT-YOLOv10-s以 7.4 M、33.3 GFLOPs的较低参数量和浮点运算量在精确率、召回率、平均精度均值mAP50 和mAP50-95 上分别达到 97.2%、93.6%、97.5%和 83.9%,相较于YOLOv10-s、YOLOv9-s、YOLOv8-s等对比模型均最优.RT-YOLOv10 的更轻量化版本RT-YOLOv10-t在精确率、召回率、mAP50、mAP50-95 上尽管有所下降,但仍分别达到 95.5%、92.4%、97.2%、79.7%,且参数量仅为 2.3 M,相较于YOLOv5-s、YOLOv6-s、YOLOv7-Tiny、YOLOv8-s、YOLOv9-s、YOLOv10-s分别降低67.1%、86.6%、61.7%、79.3%、76.3%、71.6%.综上,RT-YOLOv10 能够满足实际应用的需求,并可部署在计算资源极其有限的边缘设备上,这为烟草病害的大面积精准监测提供了一种有效手段.