农业生产直接关系全球粮食安全，作物健康状态对农业产量和品质具有重要影响。番茄是全球重要经济作物之一，但在种植过程中易受真菌、细菌和病毒等多种病害，以及叶螨类虫害的威胁。其中，番茄叶片病害尤为常见且类型多样，包括早疫病、晚疫病、潜叶蛾、叶霉病、番茄黄化曲叶病毒、番茄斑枯病、红蜘蛛和黄曲叶病毒等。

传统基于手工特征和阈值分割的检测方法在真实农业生产的复杂环境中泛化能力有限；传统机器学习方法对特征筛选的专业度要求极高，难以应对高维、大规模图像数据。近年来，以“你只看一次”（YOLO）系列为代表的深度学习目标检测算法因其实时性和高计算效率，在农业病害检测中得到广泛应用，但现有模型仍面临病斑尺度差异大、边界模糊、微小病斑难以识别以及复杂光照和背景干扰等挑战。

近日，中南大学交通运输工程学院刘辉团队在中国工程院Engineering集群子刊Engineering Agriculture上发表了题为 “A lightweight tomato leaf disease detection method integrating multiscale perception and detail enhancement” 的研究论文。该研究基于改进的YOLO11n框架，提出了一种轻量化、高效的番茄叶片病虫害检测方法。

首先，引入动态精细化交并比损失（DRIoU）函数，采用类Sigmoid函数动态调整交并比（IoU）缩放比例，在不同训练阶段优化边界框回归质量与稳定性；

其次，设计自适应多尺度融合模块（AMSF），将输入特征沿通道分为三组，其中50%通道直接保留细节，其余两组分别经3×3和5×5卷积提取中、大尺度病斑特征，并通过1×1卷积融合，增强对不同尺寸病斑的特征提取适配性；

再次，提出渐进感受野扩张卷积模块（PRDC），以共享权重的扩张率为 1、3、5 的3×3扩张卷积替代传统空间金字塔快速池化（SPPF）模块，逐步扩大感受野，提升复杂背景下的病斑空间感知；

最后，引入细节增强检测头（DEDH），在P3-P5各尺度共享包含中心差分、水平差分、垂直差分、非对称差分和标准卷积五个并行分支的细节增强卷积（DEConv）模块，强化病斑边界和纹理细节感知。

实验结果表明，该方法在番茄叶片病虫害检测任务中表现出色，相较于YOLO11n基线模型，该方法在IoU阈值为0.5时的平均精度均值（mAP50）提升了2.1%，在IoU阈值为0.5-0.95时的平均精度均值（mAP50-95）提升了2.9%，同时将推理速度提升至482帧/秒。

研究组提出的这种方法在检测精度、实时推理和轻量化部署能力之间取得了良好平衡，为真实田间条件下番茄叶片病害的稳健检测提供了一个实用且可扩展的解决方案，并为未来智能农业病虫害监测的发展提供了有价值的指导和技术支撑。（来源：EngineeringJournals微信公众号）

图1.文章摘要图。

图2.本研究所用番茄叶片病害数据集的八类病害代表性样本。

图3.YOLO11n架构概览。该模型由输入模块、主干网络、颈部网络和检测头组成。关键组件包括C3k2模块、SPPF模块和C2PSA 注意力增强模块。

图4.番茄叶片病斑上VD分支和CD分支的可视化结果。

图5.不同光照条件下数据增强后的番茄叶片图像示例。(a–e) 原始图像；(b–f) 对应的增强样本，包含模拟的低光照、雾天和强光照条件，用于提升模型的环境鲁棒性。

图6.YOLO11n基线与该方法在代表性番茄叶部病害图像上的检测结果视觉对比。

相关论文信息：https://journal.hep.com.cn/fase/EN/10.15302/J-FASE-2026682