基于改进YOLOv11的苹果叶片病害检测方法

摘要

针对苹果叶片病害检测的需要，本文提出了一种基于改进YOLOv11模型的检测方法MSW-YOLOv11，以提高病害识别的准确性。引入MSBlock分层特征融合策略，实现对Kernel的高效利用，有效提升模型的检测精度；结合SimAM注意力机制，避免结构调整，提升模型对光照变化、叶片重叠等复杂场景的适应能力；将原始模型的损失函数CIOU更替为WIOU损失函数，使模型更多地关注普通质量的样本，进而提高网络模型的泛化能力和整体性能。试验结果表明，改进后模型的精确率、召回率、平均精度均值（mAP@0.5、mAP@0.5～0.95）相较于原模型分别提高了4.9%、10.6%、6.4%、8.8%，性能优于其他对比算法，为植物叶片病害检测提供了一种高效、准确的解决方案。

关键词

深度学习 / YOLOv11 / 目标检测 / 苹果叶片病害

基金资助

山东省现代耕作制度技术体系农业灾害预警与防控岗位建设任务(SDAIT-31-05); 国家现代农业产业技术体系(CARS-27)