基于改进YOLOv11的复杂背景下茶叶病害检测方法

摘要

[目的]针对自然场景中茶叶病害因受叶片遮挡、光照不均及病斑区域小等因素影响，传统检测算法识别精度低、泛化能力弱的问题，本研究提出一种改进的YOLOv11茶叶病害检测模型(YOLO-GDM),旨在实现复杂背景下病害的快速、精准识别.[方法]模型在YOLOv11的主干网络中引入全局增强多尺度注意力模块(global enhanced multi-scale attention, GEMA),该模块通过自适应全局上下文分支与扩张卷积的融合，有效增强模型在复杂背景中的全局信息感知能力.颈部网络则设计动态采样融合模块(DySampleFusion)以替代原有上采样结构，利用双路上采样融合机制优化多尺度特征表达.此外，引入MPDIoU损失函数替代原始CIoU,其通过计算预测框与真实框顶点之间的归一化距离，更全面地建模目标的位置与尺度差异，从而显著提升模型对小尺寸病斑的定位精度.实验使用包含8类典型病害与健康叶片的自建数据集(共6 560幅图像)及公开数据集进行训练与验证.[结果]消融实验与对比分析表明，YOLO-GDM在自建与公开数据集上分别达到90.2%与69.9%的mAP,较基准模型分别提升3.5与4.1个百分点.在保持较好轻量化特征(模型参数量为2.836 M)的同时，实现了174.2 FPS的检测速度，展现出较好的实时性.[结论]本文提出的YOLO-GDM模型在复杂自然背景下具有良好的检测精度与较快的推理速度，能够在早期茶叶病害的精准识别与自动化监测中提供有效的技术支撑，具备较好的实际应用潜力.

关键词

深度学习 / 茶叶病害检测 / 卷积神经网络 / 目标检测 / 叶片病害