Welcome to Smart Agriculture 中文
Information Processing and Decision Making

Lightweight Pest Detection for Goji Berry Fields via Collaborative Semantic Enhancement of YOLOv11

  • WANG Mei 1 ,
  • ZHOU Yuanqing 1 ,
  • WANG Wenhui 1 ,
  • LIU Ping , 1 ,
  • ZHU Meilin 2
Expand
  • 1. School of Electronics and Electrical Engineering, Ningxia University, Yinchuan 750021, China
  • 2. School of Basic Medical Sciences, Ningxia Medical University, Yinchuan 750004, China
LIU Ping, E-mail:

WANG Mei, E-mail:

Received date: 2026-06-09

  Online published: 2026-10-08

Supported by

National Natural Science Foundation of China(61861037)

Natural Science Foundation of Ningxia Hui Autonomous Region(2026AAC030133)

Copyright

copyright©2026 by the authors

Abstract

[Objective] Goji berry (Lycium barbarum L.) is an important medicinal and edible crop with considerable nutritional, health-care, and economic value. However, pest detection in complex field environments remains challenging because pests exhibit small target sizes, weak fine-grained features, partial occlusion, and strong background interference. These factors can cause incomplete target features and inaccurate localization and classification. Therefore, an object detection model that enhances fine-grained features, strengthens cross-scale semantic information transmission, and maintains low computational complexity is needed for accurate and efficient goji berry pest detection. [Methods] Based on the you only look once (YOLO) framework, a collaborative semantic feature enhancement YOLOv11 (CSFE-YOLOv11) model was proposed. The model performs collaborative optimization at three successive stages: fine-grained feature enhancement, cross-scale semantic fusion, and lightweight prediction optimization. First, an attention-embedded feature enhancement module (AFE) was introduced into the backbone to enhance local fine-grained pest features and suppress irrelevant background responses by combining local convolution-based feature extraction with global attention-based contextual modeling. Second, a cross-scale semantic fusion module (CSF) was constructed in the neck to strengthen nonlinear interactions and semantic information transmission among different scales through a depthwise convolution branch (DWB), a dual-branch nonlinear interaction structure (SC), and a channel mapping and reconstruction component (SSA). Finally, a lightweight decoupled prediction head (LDP head) was designed to separate classification and localization tasks and reduce redundant computation. A 17-class goji berry pest dataset was used for training and evaluation. Small, medium, and large targets accounted for 4.01%, 24.09%, and 71.90%, respectively, while targets with different degrees of occlusion accounted for 38.41%. Comparative experiments, ablation studies, multi-scale analysis, visualization, cross-dataset evaluation, and local field validation were conducted. [Results and Discussion] On the 17-class goji berry pest dataset, CSFE-YOLOv11 achieved a precision of 85.27%, recall of 71.49%, mean Average Precision at IoU=0.5 (mAP50) of 75.29%, and mAP50-95 of 48.25%. Compared with YOLOv11, mAP50 and mAP50:95 increased by 4.47 and 2.36 percentage points, respectively. The number of parameters decreased from 2.59 M to 2.28 M, while GFLOPs decreased from 6.3 to 5.2, corresponding to reductions of 11.97% and 17.46%, respectively. Ablation experiments showed complementary effects among AFE, CSF, and the LDP head. The average precision (AP) of small, medium, and large targets increased from 1.6%, 18.2%, and 50.4% to 5.4%, 32.5%, and 52.8%, respectively. Visualization results showed that the proposed model improved the detection of small, weakly salient, and partially occluded pests while reducing responses to complex background regions. On the IP102 dataset, three independent experiments with random seeds of 42 123, and 456 were conducted. CSFE-YOLOv11 achieved an mAP50 of 63.17%±0.29%, compared with 61.07%±0.68% for YOLOv11, demonstrating improved cross-dataset performance with relatively stable results. Local Ningxia field validation further showed a 4-percentage-point improvement in mAP50 over YOLOv11. [Conclusion] CSFE-YOLOv11 provides a collaborative detection framework integrating fine-grained feature enhancement, cross-scale semantic fusion, and lightweight decoupled prediction. By assigning complementary functions to AFE, CSF, and LDP head at different stages of the detection network, the proposed model improves the representation and prediction of difficult pest targets while reducing model parameters and computational complexity. The results indicate its potential for accurate and efficient goji berry pest monitoring in complex field environments and provide a feasible technical reference for subsequent lightweight deployment in smart agriculture.

Cite this article

WANG Mei , ZHOU Yuanqing , WANG Wenhui , LIU Ping , ZHU Meilin . Lightweight Pest Detection for Goji Berry Fields via Collaborative Semantic Enhancement of YOLOv11[J]. Smart Agriculture, 2026 , 8(5) : 251 -262 . DOI: 10.12133/j.smartag.SA202606016

0 引 言

枸杞作为中国重要的药食同源经济作物,具有较高的营养、保健与经济价值。然而,随着枸杞种植面积的扩大,虫害频发,严重影响了枸杞的产量和品质。在中国枸杞的主要产区(宁夏、甘肃、内蒙古、青海和新疆),常见的害虫有木虱、蓟马、负泥虫、黑盲蝽和大青叶蝉等[1]。
针对枸杞虫害的智能识别问题,已有研究主要从数据集构建、图像识别和跨模态检索等方面展开探索;其中,基于注意力机制[2, 3]、跨模态学习[4, 5]和零样本学习[6]的方法能够从不同角度增强虫害特征表达,提高复杂虫害类别的区分能力。上述研究丰富了枸杞虫害智能识别的方法体系,但其面向图像分类、检索或识别任务,对复杂田间场景下虫害目标的精确定位及多尺度检测关注相对有限。基于视觉变换器(Vision Transformer, ViT)[7, 8]、残差网络(Residual Network, ResNet)[9]等网络的研究进一步利用深层特征提取和全局信息建模提升了农业病虫害图像识别性能,但深层网络在目标检测场景中仍面临小目标细节信息损失和局部特征表征不足等问题。
随着目标检测技术的发展,YOLO(You Only Look Once)系列模型逐渐应用于枸杞[10]、葡萄[11]、番茄[12]等农作物病虫害[13-15]的定位与识别,并在检测精度和推理效率方面表现出较好的性能;实时检测变换器(Real-Time Detection Transformer, RT-DETR)[16-18]等端到端检测模型也逐步应用于农业病虫害检测任务。然而,现有的目标检测方法大多通过特征提取、特征融合或预测头改进提升整体检测性能,对于枸杞虫害中微小目标纹理特征弱、遮挡导致信息缺失以及背景干扰造成的弱显著性问题仍缺乏针对性的多模块协同优化。尤其在连续下采样和跨尺度特征传递过程中,虫体边缘、斑纹等细粒度信息容易衰减,而预测阶段分类与定位任务的耦合也可能限制复杂场景下的检测稳定性。因此,复杂田间场景下的枸杞虫害检测需要重点提升细粒度特征感知、跨尺度信息融合以及复杂条件下的稳定预测能力。
针对上述问题,本研究提出一种协同语义特征增强YOLOv11枸杞虫害检测模型(Collaborative Semantic Feature Enhancement-YOLOv11, CSFE-YOLOv11)。针对微小虫害细粒度特征弱化及背景干扰问题,在骨干网络中引入嵌入式注意力特征增强模块(Attention-embedded Feature Enhancement, AFE),增强局部细节表征和有效区域响应;针对不同尺度特征传递过程中语义信息衰减问题,在颈部网络构建跨尺度语义融合模块(Cross-scale Semantic Fusion, CSF),强化不同尺度目标的特征交互与语义传递;针对预测阶段特征冗余及计算开销问题,设计轻量化解耦预测头(Lightweight Decoupled Prediction Head, LDP Head),优化分类与定位预测过程。由此形成“细粒度特征增强—跨尺度语义融合—轻量化预测优化”的协同处理链路。

1 材料与方法

1.1 数据集介绍

1.1.1 基准数据集

本研究使用的枸杞虫害图像数据来源:一是陈磊等[19]构建的宁夏枸杞虫害图文跨模态检索数据集,该数据集涵盖宁夏17类常见枸杞病虫害,原始图像1 900张;二是国家农业科学数据中心提供的药用植物病虫害数据库(http://www.pests.cn)中的部分宁夏枸杞虫害图像。上述数据贴合田间真实虫害发生规律,类别分布不均衡,符合农业害虫自然发生特性,具有较强场景代表性与应用价值。
原始图像经感知哈希去重,并基于图像梯度和亮度指标筛除模糊及曝光异常样本。对有效图像进行人工交叉标注后转为YOLO格式,统一调整分辨率为640×640,以兼顾推理效率与小目标细节。为缓解数据集类别不平衡及泛化能力弱的问题,采用分层抽样方式,按照8∶1∶1的比例划分训练集、验证集及测试集,并按照表1中的策略对训练集进行数据增强和类别平衡处理。
表1 枸杞虫害数据集图像增强操作及参数配置

Table 1 Image augmentation operations and parameter settings for the goji berry pest dataset

数据增强操作 具体参数
随机水平/垂直翻转 水平、垂直方向独立随机翻转,无角度限制
随机缩放裁剪 缩放范围0%~20%,全程保持原图宽高比
随机旋转 旋转角度范围±15°,超出边界区域采用零值填充
随机仿射剪切 水平剪切角度±10°,垂直剪切角度±10°
随机灰度化 15%的概率将RGB图像转换为单通道灰度图像
饱和度扰动 饱和度调整因子范围±25%
亮度扰动 亮度调整因子范围±15%
曝光扰动 曝光量调整因子范围±10%
高斯模糊 模糊核尺寸最大值2.5 px,标准差随核尺寸自适应调整
高斯噪点注入 噪点像素占比最大值1.6%,采用均值为0的正态分布
上述操作均在Roboflow平台上统一完成配置与执行,经过上述处理与数据增强后,最终得到4 897张图像,用于模型训练与性能评估。经统计分析,该数据集中小、中和大目标分别占4.01%、24.09%和71.90%,其中小目标占比较低,但检测难度较大;同时,存在不同程度遮挡的目标占38.41%,表明小目标和遮挡现象是该任务需要重点关注的问题。各类别标签数量如图1所示。
图1 各虫害类别标签数量分布

注:农业虫害数据天然呈长尾分布。本研究自建17类枸杞虫害数据集,总标签数7 680,样本量175~1 045,不平衡比IR≈5.97,基尼系数G≈0.32,属重度不均衡,符合田间实际虫害发生规律。

Fig. 1 Distribution of label counts for each pest category

1.1.2 泛化实验数据集

为验证模型在跨数据分布及复杂场景下的泛化能力,选取WU等[20]于CVPR 2019提出的公开害虫检测基准数据集IP102开展泛化实验。类似方法已在多类作物虫害识别中得到验证[21]。IP102含75 222张自然场景害虫图像,涵盖102个类别。该数据集呈现长尾分布、类间差异细微、类内形态变化大及类别不均衡等问题,对模型泛化能力要求高。
考虑到IP102类别规模较大及试验资源开销较大,本试验采用分层随机抽样策略,以28.9%的抽样比例从原始数据集中选取21 760张图像构建试验子集。抽样过程中严格遵循各类别原有样本占比,较好保留了原数据集的长尾分布特点。该子集在数据特征和分布规律上与原始数据集保持一致,可用于验证模型在多类别、复杂背景及跨场景下的综合检测性能。

1.1.3 本地田间真实数据集

为进一步验证模型在实际田间场景的应用性能,多次赴刘传敬九不用枸杞基地和银川红玛瑙枸杞采摘园,使用佳能X10相机和Redmi K70手机开展图像采集。结合《农作物主要病虫害发生危害与综合防治技术》等相关书籍[22-24]与产区虫害发生现状,经筛选分类后,选取蚜虫、木虱、负泥虫、红长蝽4类田间优势虫害作为验证对象。这4类虫害均包含在前文构建的17类枸杞虫害体系中,如图2所示。
图2 本地田间枸杞虫害实地拍摄图像

Fig. 2 Real field images of wolfberry pests in local orchards

共采集田间原始图像2 100张,拍摄于5月至6月自然露天环境,涵盖不同时段光照、植株遮挡、杂草干扰等真实田间场景。采用按地块和采集日期分组的场景隔离分层划分策略,将同期同植株图像全部归入同一数据集子集,以避免场景信息泄露。分组完成后按8∶1∶1分层拆分,并按照表1中的策略仅对训练集进行增强。增强后,训练集达8 838张,验证集210张,测试集210张。增强前训练集标签数为4 776,增强后训练集标签数为13 917。

1.2 试验设置

本研究所有模型均在同一云服务器上完成训练与测试。硬件配置为:AMD EPYC 7601处理器(分配8核),NVIDIA RTX 4060 Ti GPU(16 GB显存)和31 GB内存;软件环境为Ubuntu 20.04 LTS、CUDA 12.8和PyTorch 2.4.0。训练采用AdamW优化器、余弦退火学习率及早停策略(30轮),输入图像尺寸640×640,批次大小为32,训练轮数为200;固定随机种子为42(除IP102重复试验随机种子设置为42、123、456,其余试验均一样)。所有对比模型均在统一超参数下加载COCO公开预训练权重,开启PyTorch确定性计算模式,保证试验公平性与可重复性。

2 改进YOLOv11的枸杞虫害检测模型

YOLOv11作为一种较新的单阶段目标检测模型,在实时性和精度之间展现了优越的性能。但将其直接用于枸杞虫害检测时,仍需面临很多挑战。
针对上述问题,提出一种协同语义特征增强模型CSFE-YOLOv11,通过骨干网络、颈部网络及预测头的联合优化,构建从细粒度感知增强、跨尺度语义融合到轻量化预测的协同处理链路。整体结构如图3所示。
图3 CSFE-YOLOv11网络结构图

Fig. 3 Network structure of CSFE-YOLOv11

具体而言,在骨干网络中嵌入AFE模块,强化浅层细粒度纹理特征;在颈部网络中构建CSF模块,增强不同尺度特征间的信息交互与语义一致性;在检测端设计轻量化LDP Head,通过分类与定位解耦及轻量化结构,降低预测阶段的计算冗余,提高复杂场景下的预测稳定性。

2.1 AFE嵌入式注意力特征增强模块

针对枸杞虫害目标小、局部纹理和边缘信息弱且易受叶片等复杂背景干扰的问题,原始YOLOv11在连续下采样过程中容易造成此类细粒度信息衰减。因此,在骨干网络浅层嵌入AFE模块,如图4所示,通过局部细节提取与全局注意力增强,提高虫害特征显著性。AFE在保留原始跨阶段残差连接的基础上,构建局部卷积细节提取和全局上下文注意力双路径结构。局部分支提取虫体边缘、斑纹等细粒度特征;全局分支利用平均池化和最大池化分别聚合上下文信息,生成空间与通道联合的注意力权重,自适应增强虫害前景并抑制背景噪声干扰。
图4 AFE模块结构

Fig. 4 Attention-embedded feature enhancement module structure

与卷积注意力模块(Convolutional Block Attention Module, CBAM)[25]、高效多尺度注意力(Efficient Multi-Scale Attention, EMA)[26]等通用注意力方法主要对已有特征进行权重再分配不同,AFE针对枸杞微小虫害目标浅层特征弱的问题,在注意力增强前显式引入局部细节提取,并将增强后的浅层特征作为后续CSF的输入。因此,AFE的设计重点并非简单增加注意力计算,而是针对枸杞虫害检测任务,实现局部细粒度特征增强与后续跨尺度融合的有效衔接。
其局部分支运算过程可表示为公式(1):
X 1 = C o n v 3 × 3 ( C o n v 1 × 1 ( X ) )
式中: X 1为局部细节特征; X   ( X ∈ R C × H × W )为输入特征; C o n v 1 × 1、 C o n v 3 × 3分别表示1×1、3×3卷积运算,Concat为沿通道维度的特征拼接操作。
全局注意权重生成过程如公式(2)~(4):
X a v g = A v g P o o l ( X 1 )
X m a x = M a x P o o l ( X 1 )
M = σ   ( C o n v 1 × 1 ( C o n c a t ( X a v g ,   X m a x ) ) )
式中: X a v g与 X m a x分别为全局平均池化、全局最大池化得到的通道特征向量; A v g P o o l 、 M a x P o o l分别为平均池化与最大池化,用于聚合全局特征信息; M 为由两组向量拼接映射生成的通道注意力权重向量; σ为Sigmoid激活函数。
特征加权增强及残差输出运算如公式(5)和公式(6):
X a = X 1 ⊗ M
X A F E = X + X a
式中: X a为加权增强特征; X A F E为输出特征; ⊗为逐元素相乘操作。该机制实现单一层级虫害细粒度感知强化,为后续融合模块提供高显著性原始特征。

2.2 CSF跨尺度语义融合模块

仅依靠AFE增强的单尺度特征仍难以充分表达不同大小虫害目标的语义信息。针对枸杞虫害目标尺度差异明显、微小目标特征在多尺度传递过程中容易衰减的问题,在颈部网络中构建了CSF模块,如图5所示。
图5 CSF模块结构

Fig. 5 CSF module structure

CSF借鉴星形块(Star Block)的轻量化星形交互结构[27],由深度卷积分支(Depth-wise Branch, DWB)、双分支非线性交互单元(Sub-branch Cross, SC)和通道重组单元(Scale-Channel Attention, SSA)三层串联构成。DWB提取各分支局部细化纹理;SC分支通过ReLU6逐元素乘法构建高阶特征映射,强化深浅层语义非线性交互;SSA平衡各通道特征权重,缓解尺度间特征分布失衡。
与特征金字塔(Feature Pyramid Network, FPN)[28]和路径聚合网络(Path Aggregation Network, PANet)[29]主要通过构建自顶向下和自底向上的路径实现多尺度特征传递和聚合不同,CSF进一步关注不同尺度特征之间的非线性交互和通道关系重组,以减轻浅层细节和深层语义在融合过程中的信息衰减。
其前向传播过程可表示为公式(7)~(10):
X d w = D W C o n v ( X )
X 2 ,   X 3 = F 1 ( X d w ) ,   F 2 ( X d w )
X f u s i o n = R e L U 6 ( X 2 ) ⊗ X 3
X C S F = X + D r o p P a t h ( G ( X f u s i o n ) )
式中: X d w表示经DWConv深度卷积后输出的特征; X f u s i o n表示为 X 2、 X 3双分支特征做高阶交互融合之后得到的特征; X C S F表示为CSF模块最终输出特征图; X 2 , X 3分别为浅层、深层特征; D W C o n v为深度卷积,用于捕捉局部细化纹理特征; F 1 , F 2为1×1卷积分支,实现特征通道扩展和分支映射; G ·表示通道映射卷积; D r o p P a t h用于增强训练稳定性并抑制冗余响应。

2.3 LDP Head轻量化预测机制

针对枸杞虫害检测任务中的微小目标尺度变化大、局部遮挡严重以及低对比度虫害目标响应不足等问题,设计了LDP Head,如图6所示。该检测头基于解耦预测思想,通过轻量化结构重构与预测路径优化,在降低计算冗余的同时提升复杂场景下的预测稳定性。
图6 LDP Head轻量预测优化头

Fig. 6 Lightweight Decoupled Prediction (LDP) Head

LDP Head以解耦检测为基础,采用分组卷积替代标准的卷积降低计算开销;设置了独立分类和回归双分支,消除两类任务互相干扰;充分利用骨干网络与颈部输出的多尺度细粒度特征,重点修复微小虫害的定位偏差。

2.4 模块协同机理

AFE、CSF与LDP Head针对枸杞虫害细粒度特征弱、尺度差异大及复杂背景干扰等问题,形成具有前后特征传递关系的层级协同链路。
首先,AFE位于骨干网络浅层,通过局部卷积和注意力增强强化虫害边缘、纹理等细粒度信息,并抑制复杂背景响应;随后,AFE输出的增强特征进入CSF,与深层语义特征进行跨尺度融合,通过非线性交互和通道重组增强不同尺度特征之间的信息传递,减少微小虫害特征衰减;最后,CSF输出的多尺度融合特征输入LDP Head,通过分类与定位解耦以及轻量化卷积实现预测优化。
因此,针对枸杞虫害检测中不同阶段的特征损失问题,建立对应的模块位置及输入输出关系,形成协同优化机制。

3 结果分析

3.1 不同模型对比分析

为验证CSFE-YOLOv11的有效性,选取RT-DETR-L、多款经典轻量化YOLO模型开展对比;同时参考近年来农业病虫害及复杂田间小目标检测研究中常用的改进方法,增设YOLOv11-EMA、YOLOv11-CBAM、Ghost层次梯度网络V2(Ghost Hierarchical Gradient Network V2, GhostHGNetV2)、移动端网络V4(Mobile Network V4, MobileNetV4)四组对照,分别验证通用注意力和轻量化骨干方案的有效性。所有模型训练、测试条件统一,评价指标包含精确率(Precision, P)、召回率(Recall, R)、平均精度均值(mean Average Precision, mAP)、平均精度(Average Precision, AP)、参数量、计算量(Giga Floating-Point Operations, GFLOPs)与帧率,结果如表2所示。
表2 不同模型在枸杞虫害识别任务上的性能对比

Table 2 Performance comparison of different models for goji berry pest recognition

模型 P/% R/% mAP50/% mAP50∶95/% 参数量/M 计算量/GFLOPs 帧率/(帧/s)
RT-DETR-L 79.471 58.753 59.461 35.843 32.84 108.1 18.1
YOLOv5n 81.684 61.869 67.073 40.002 2.51 7.2 177.2
YOLOv8n 82.227 66.428 70.008 43.224 3.01 8.2 188.1
YOLOv10n 80.784 67.055 68.399 43.511 2.71 8.4 154.7
YOLOv12n 80.590 69.860 73.010 47.300 2.51 6.5 163.7
YOLOv11 83.598 65.987 70.816 45.890 2.59 6.3 147.3
YOLOv11-EMA 82.125 66.714 70.395 45.769 2.69 6.4 138.5
YOLOv11-CBAM 81.362 65.021 69.450 45.095 2.74 6.4 130.7
YOLOv11-GhostHGNetV2 80.220 57.003 61.269 37.044 2.13 7.8 164.8
YOLOv11-mobilenetV4 81.929 64.685 65.273 42.895 1.96 8.7 172.3
CSFE-YOLOv11 85.274 71.486 75.290 48.254 2.28 5.2 89.1

注:帧率测试采用NVIDIA RTX 4060 Ti 16 GB GPU,输入尺寸为640×640,batch size设置为1。正式测试前进行200轮warm-up以消除模型初始化及GPU启动带来的额外时间开销,随后连续进行1 000次前向推理,并以平均单张图像推理时间计算帧率。所有模型采用相同测试条件。

由表2可见,CSFE-YOLOv11综合性能最优。其Precision、Recall、mAP50和mAP50∶95分别达到85.27%、71.49%、75.29%和48.25%,相较基线YOLOv11分别提升1.68、5.50、4.47和2.36个百分点,对田间微小及遮挡虫害识别效果提升显著。
轻量化指标上,本研究模型参数量2.28 M、GFLOPs为5.2,相比原YOLOv11分别下降0.308 M、1.1 GFLOPs,存储与计算开销同步降低。仅替换轻量化骨干(GhostHGNetV2、MobileNetV4)会大幅损失检测精度;单纯叠加EMA、CBAM注意力机制仅小幅提升效果,证明单一改进无法适配枸杞虫害复杂场景。
推理帧率方面,CSFE-YOLOv11的帧率低于原始YOLOv11,原因是AFE、CSF多分支注意力与交互结构会产生额外访存开销。本研究轻量化目标侧重降低参数与浮点运算量,不极致追求推理速度。当前帧率仍可满足GPU环境下的快速检测需求,面向农业边缘设备和移动端部署时,可进一步结合模型剪枝、量化等方法降低推理开销。

3.2 消融实验

为验证AFE、CSF及LDP Head的独立作用及模块间协同关系,以YOLOv11为基线开展控制变量消融实验,并结合Common Objects in Context(COCO)标准下的多尺度检测指标和典型田间样本可视化结果进行分析,消融定量结果如表3和表4所示。
表3 CSFE-YOLOv11 模型消融实验结果

Table 3 Ablation experiment results of CSFE-YOLOv11

模型 P/% R/% mAP50/% mAP50∶95 /% 参数量/M 计算量/GFLOPs 帧率/(帧/s)
基线模型 83.598 65.987 70.816 45.890 2.59 6.3 147.3
+AFE 87.897 67.347 72.365 46.393 2.59 6.4 87.6
+CSF 83.264 69.543 73.158 46.027 2.54 6.4 137.4
+LDP Head 81.406 68.343 72.913 45.500 2.32 5.1 150.9
+AFE+CSF 88.544 69.270 73.935 47.589 2.54 6.4 83.2
+AFE+LDP Head 82.874 71.550 73.085 45.799 2.32 5.2 89.4
+CSF+LDP Head 86.199 66.811 72.010 47.425 2.28 5.2 147.4
CSFE-YOLOv11 85.274 71.486 75.290 48.254 2.28 5.2 89.1
表4 基于COCO标准的小、中、大目标检测模块改进消融实验

Table 4 Ablation experiments on module improvements for small, medium, and large object detection based on COCO standards

模型 AP0.5∶0.95 /% AP0.5/% AP0.75/% AP_small/% AP_medium/% AP_large/%
基线模型 44.8 68.6 46.1 1.6 18.2 50.4
+AFE 44.1 69.3 46.6 1.7 27.0 51.5
+CSF 44.3 69.5 47.8 1.7 31.6 52.3
+LDP Head 44.2 69.6 46.7 3.4 29.2 51.7
+AFE+CSF 45.4 70.8 48.5 2.1 32.5 51.0
+AFE+LDP Head 43.7 70.5 46.8 4.2 23.9 50.4
+CSF+LDP Head 45.1 70.8 46.1 4.3 32.5 51.0
CSFE-YOLOv11 45.6 72.6 50.3 5.4 32.5 52.8

注:按照COCO评价协议统计小、中和大目标的AP,其中小、中和大分别对应目标面积不超过322、322至962,以及大于962像素2的目标。

3.2.1 定量消融指标分析

1)单模块独立优化效果。仅添加AFE后,mAP50由70.816%提升至72.365%,AP_medium和AP_large均有所提高,而AP_small仅提升0.1个百分点,说明AFE主要增强中、大尺度虫害的细粒度特征。从消融结果看,AFE引入后帧率下降较为明显,而CSF和LDP Head对推理速度的影响相对有限,表明推理开销的增加主要来自AFE中的注意力及多分支特征处理结构。仅添加CSF时,mAP50提升至73.158%,为单模块中最高,AP_medium达到31.6%,表明跨尺度融合有利于多尺度语义信息传递,且对推理速度影响相对有限。仅替换LDP Head后,参数量和计算量分别降至2.32 M和5.1 GFLOPs,AP_small由1.6%提升至3.4%,说明其在降低模型复杂度的同时对微小目标预测具有一定改善作用,轻量化预测结构有助于降低检测头的计算冗余。
2)双模块协同增益效果。AFE+CSF组合的mAP50达到73.935%,较单独使用AFE和CSF分别提高1.570和0.777个百分点,AP_medium进一步提升至32.5%,说明AFE增强的细粒度特征能够为CSF提供更具目标显著性的输入。AFE+LDP Head和CSF+LDP Head的AP_small分别提升至4.2%和4.3%,表明前端特征增强或跨尺度融合均可进一步改善微小目标预测,其中CSF+LDP Head的参数量降至2.28 M,兼顾了检测性能与模型复杂度。随着多模块联合,模型推理开销相应增加,表明精度提升与推理效率之间存在一定的权衡。
3)三模块完整协同优化效果。三模块联合后,CSFE-YOLOv11的mAP50和mAP50∶95分别达到75.290%和48.254%,较基线提高4.474和2.364个百分点;AP_small由1.6%提升至5.4%,参数量和计算量分别降低11.97%和17.46%。与此同时,模型的帧率由基线模型的147.3帧/s下降了约39.5%,主要与多模块引入额外特征处理和计算开销有关。结果表明,AFE增强的细粒度特征可进一步经CSF进行跨尺度融合,并由LDP Head完成分类与定位优化,三者形成由特征增强、语义融合到预测优化的连续处理过程。
综上,从实际应用角度来看,CSFE-YOLOv11在测试环境下达到89.1帧/s,具有较好的实时检测能力。但该结果是在RTX 4060 Ti、640×640输入尺寸和批次大小为1的条件下获得,不能直接代表农业边缘设备或移动端的实际推理速度。后续可通过模型剪枝、量化等方法进一步降低计算开销,并结合具体硬件展开部署测试。

3.2.2 检测结果可视化分析

为直观验证各模块对漏检、定位差、密集目标区分及遮挡干扰等实际问题的优化效果,选取5类枸杞田间典型虫害样本开展了可视化对比分析,如图7所示,展示了高精度定位、大目标、密集微小目标、遮挡目标及复杂背景等典型场景。可以看出,AFE能够增强虫害边缘与纹理特征并抑制部分背景干扰,CSF有助于改善密集目标的特征区分与跨尺度信息传递,LDP Head对微小目标漏检和定位偏差具有一定改善作用。三模块联合后,预测框与真实标注的重合度进一步提高,部分密集、遮挡及背景相似场景中的漏检和误检得到缓解。该结果与定量分析结果基本一致,进一步说明各模块在不同特征处理阶段具有互补作用。
图7 枸杞虫害典型样本可视化检测结果

Fig. 7 Visual detection results of typical goji berry pest samples

a. Image b. YOLOv11 c. +AFE d. +CSF e. +LDP-Head f. +AFE+CSF g. +AFE+LDP-Head h. +CSF+LDP-Head i. CSFE+YOLOv11

注:各行从上至下依次为高精度IoU定位精度样本、通用大目标精度补充样本、密集微小虫群、重叠遮挡难点样本、背景近似抗虚检样本;绿色框为模型预测框,红色框为真实标注框,框上方数值为预测置信度。

3.3 热力图

为进一步直观展示提出的CSFE-YOLOv11模型对枸杞虫害目标特征的关注能力,选取典型虫害图像绘制Grad-CAM热力图,如图8所示。基线模型在蓟马、木虱和蚜虫等微小目标上存在关注区域分散、背景误激活等现象;改进模型能够减少叶片纹理等非目标区域的响应,并使虫害目标区域的激活更加集中。对于存在遮挡和姿态变化的样本,改进模型的关注区域连续性也有所提高,表明CSFE-YOLOv11具有更强的目标特征提取和背景抑制能力。
图8 枸杞虫害各类别 Grad-CAM 热力图

Fig. 8 Grad-CAM heat maps for each category of goji berry pests

原始

图像

改进前
改进后
a. 尺蠖 b. 大青叶蝉 c. 负泥虫 d. 黑盲蝽 e. 黑缘角蝉 f. 红斑芫菁 g. 红长蝽 h. 红缘天牛 i. 黄斑大蚊

原始

图像

改进前
改进后
j. 蓟马 k. 毛跳甲 l. 木虱 m. 实蝇 n. 小地老虎 o. 蚜虫 p. 印度谷螟 q. 柱果蛾

3.4 跨数据集泛化性能验证

为进一步验证模型在不同害虫数据分布下的适应能力,选取IP102数据集进行跨数据集试验。考虑到IP102数据规模较大,本研究沿用前文试验设置,从IP102中选取固定规模子集开展试验。为保证重复试验之间的数据一致性,三次试验均采用相同的训练集和测试集划分,仅改变训练过程中的随机种子,分别设置为42、123和456。最终结果取三次独立试验的均值±标准差,泛化性能如表5所示。
表5 枸杞虫害研究在 IP102 数据集上的泛化实验性能

Table 5 Performance of generalization experiments on the IP102 dataset for goji berry pest research

模型 P/% R/% mAP50/% mAP50∶95/% 参数量/M 计算量/GFLOPs 帧率/(帧/s)
YOLOv11 64.58±0.38 61.37±0.39 61.07±0.68 39.54±0.85 2.65 6.6 138.5
+AFE 62.69±0.40 62.27±0.75 61.78±0.15 39.84±0.15 2.65 6.7 85.9
+AFE+CSF 60.56±0.61 63.64±0.25 61.99±0.75 39.93±0.12 2.60 6.7 81.1
CSFE-YOLOv11 63.82±0.38 63.98±0.10 63.17±0.29 40.77±0.69 2.31 5.3 83.3

注:由于IP102数据集包含102个类别,而自建枸杞虫害数据集仅包含17个类别,二者在预测头输出维度上存在差异,因此本试验主要用于验证完整CSFE-YOLOv11在复杂多类别场景下的跨数据集泛化能力,不再展开与表3完全一致的细粒度模块贡献分析。

由表5结果可知,在IP102多类别、长尾分布及类间特征差异较大的场景下,CSFE-YOLOv11的mAP50达到63.17%±0.29%,较YOLOv11的61.07%±0.68%提高2.10个百分点,且三次重复试验结果波动较小,表明模型在不同数据分布下仍具有较好的稳定性。
从模块组合结果来看,加入AFE后,召回率有所提升,而精确率略有下降,可能是由于IP102与本研究枸杞虫害数据在作物类型、虫害类别及图像背景等方面存在较大域差异,细粒度特征增强在跨域场景下可能同时强化部分非目标纹理响应,从而增加误检。在此基础上引入CSF后,mAP50进一步提升,表明跨尺度语义融合能够在一定程度上缓解特征混淆。三次重复实验中部分指标标准差相对较大,可能与不同随机种子下的数据采样及训练过程差异有关。尽管如此,CSFE-YOLOv11的mAP50仍较基线稳定提升,说明模型具有一定的跨数据集泛化能力。

3.5 宁夏本地田间数据集验证

为验证本研究所提出的模型在真实田间场景的鲁棒性,采用含4类枸杞虫害的本地数据集开展试验。消融精度结果如图9所示,单模块AFE、CSF、LDP Head均可提升基线YOLOv11性能;双模块组合存在协同增益;完整CSFE-YOLOv11四项精度指标全局最优,其性能变化规律与17类基准数据集消融结果一致,证明改进模块具备场景稳定性。
图9 检测精度指标对比图

注:B为边界框(Bounding Box)。

Fig. 9 Comparison of detection accuracy metrics

各类别检测精度如表6所示,整体样本下改进模型P、R、mAP50、mAP50∶95均明显优于原模型;针对微小密集的蚜虫样本,mAP50由0.471提升至0.526,对各类虫害均有优化效果。结果表明CSFE-YOLOv11适配田间复杂实景,泛化能力良好。
表6 改进模型与原模型各类别检测精度对比

Table 6 Comparison of detection accuracy for each category between the improved model and the original model

Class Images Instances Box(P) R mAP50 mAP50:95
all 210 302 0.843(0.767) 0.774(0.716) 0.821(0.781) 0.492(0.468)
负泥虫 55 57 0.954(0.955) 0.947(0.895) 0.977(0.954) 0.789(0.739)
红长蝽 56 98 0.814(0.787) 0.735(0.745) 0.861(0.852) 0.436(0.391)
木虱 57 83 0.937(0.914) 0.790(0.721) 0.877(0.847) 0.516(0.496)
蚜虫 42 64 0.668(0.410) 0.625(0.502) 0.526(0.471) 0.225(0.247)

注:表格内参数表示为:改进后(改进前)。

4 结 论

本研究针对复杂田间场景下枸杞虫害目标微小、背景干扰强及遮挡严重等问题,提出一种协同语义增强检测模型CSFE-YOLOv11,在骨干网络、颈部网络和预测头分别引入AFE、CSF和LDP Head。试验结果表明,相较YOLOv11,CSFE-YOLOv11的mAP50达到75.29%,提高4.47个百分点,参数量和计算量分别降低了11.97%和17.46%,在检测精度与模型复杂度之间取得了有效的平衡。消融及可视化试验表明,AFE、CSF和LDP Head分别在细粒度特征增强、跨尺度语义融合和预测优化方面发挥作用,三者具有明显的协同增益。
IP102跨数据集试验及本地田间数据验证进一步表明,CSFE-YOLOv11在不同数据分布和复杂田间场景下具有一定的泛化能力。但受极端光照、严重遮挡及部分虫害样本不足等因素影响,模型在低质量图像场景下的检测性能仍存在进一步提升空间。后续研究将重点围绕以下三个方面展开:1)开展宁夏本地田间实测数据采集,构建更加复杂、多样化的枸杞虫害数据集;2)结合模型蒸馏与轻量化结构优化方法,进一步提升模型实时检测性能;3)面向农业边缘设备开展嵌入式部署与田间实时测试,推动枸杞虫害智能监测系统在移动端的实际应用。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

[1]
黄飞逸, 戴前莉, 卢敏, 等. 重庆市叶用枸杞主要虫害发生特征及绿色防控策略[J]. 植物保护学报, 2026, 53(1): 253-262.

HUANG F Y, DAI Q L, LU M, et al. Study on the occurrence characteristics of leaf-harvested Lycium chinense insect pests and green control strategy in Chongqing[J]. Journal of Plant Protection, 2026, 53(1): 253-262.

[2]
韩会珍, 刘立波. 基于注意力和视觉语义推理的枸杞虫害检索[J]. 计算机科学, 2022, 49(S2): 419-424.

HAN H Z, LIU L B. Lycium barbarum pest retrieval based on attention and visual semantic reasoning[J]. Computer Science, 2022, 49(S2): 419-424.

[3]
NI J G. Intelligent recognition of Goji berry pests using CNN with multi-graphic-occlusion data augmentation and multiple attention fusion mechanisms[J]. Archives of Insect Biochemistry and Physiology, 2025, 118(4): e70060.

[4]
庾骏, 李祖贺, 郝林娜, 等. 基于图像和文本哈希特征学习的跨模态枸杞害虫检索[J]. 农业工程学报, 2025, 41(16): 202-210.

YU J, LI Z H, HAO L N, et al. Cross-modal wolfberry pest retrieval based image and text hash feature learning[J]. Transactions of the Chinese Society of Agricultural Engineering, 2025, 41(16): 202-210.

[5]
DAI G W, FAN J C, DEWI C. ITF-WPI: Image and text based cross-modal feature fusion model for wolfberry pest recognition[J]. Computers and Electronics in Agriculture, 2023, 212: 108129.

[6]
宋文韬, 姜茹月, 舒欣. 基于零样本学习的枸杞虫害识别[J]. 江苏农业学报, 2024, 40(2): 320-330.

SONG W T, JIANG R Y, SHU X. Identification of Lycium barbarum pests based on zero-shot learning[J]. Jiangsu Journal of Agricultural Sciences, 2024, 40(2): 320-330.

[7]
孙露露, 刘建平, 周国民, 等. 基于空间特征融合ViT的枸杞虫害细粒度分类方法[J]. 农业大数据学报, 2024, 6(4): 522-531.

SUN L L, LIU J P, ZHOU G M, et al. Spatial feature fusion-based ViT method for fine-grained classification of wolfberry pests[J]. Journal of Agricultural Big Data, 2024, 6(4): 522-531.

[8]
FU X Q, MA Q Y, YANG F F, et al. Crop pest image recognition based on the improved ViT method[J]. Information Processing in Agriculture, 2024, 11(2): 249-259.

[9]
张志从, 崔东, 郭金锋, 等. 基于迁移学习ResNet-18的水稻病虫害识别研究[J]. 中国农学通报, 2025, 41(2): 109-116.

ZHANG Z C, CUI D, GUO J F, et al. Research on identification of rice disease and pest based on transfer learning and ResNet-18[J]. Chinese Agricultural Science Bulletin, 2025, 41(2): 109-116.

[10]
杜丁健, 高遵海, 陈倬. 基于改进YOLOv5的枸杞虫害检测[J]. 浙江大学学报(工学版), 2024, 58(10): 1992-2000.

DU D J, GAO Z H, CHEN Z. Wolfberry pest detection based on improved YOLOv5[J]. Journal of Zhejiang University (Engineering Science), 2024, 58(10): 1992-2000.

[11]
CHEN Z X, FENG J J, ZHU K, et al. YOLOv8-ACCW: Lightweight grape leaf disease detection method based on improved YOLOv8[J]. IEEE Access, 2024, 12: 123595-123608.

[12]
ZHAO J Y, QU J H. A detection method for tomato fruit common physiological diseases based on YOLOv2[C]// 2019 10th International Conference on Information Technology in Medicine and Education (ITME). Piscataway, NJ, USA: IEEE, 2019: 559-563.

[13]
YANG Y, DI J X, LIU G S, et al. Rice pest recognition method based on improved YOLOv8[C]// 2024 4th International Conference on Consumer Electronics and Computer Engineering (ICCECE). Piscataway, NJ, USA: IEEE, 2024: 418-422.

[14]
AJAYI O G, ASHI J, GUDA B. Performance evaluation of YOLO v5 model for automatic crop and weed classification on UAV images[J]. Smart Agricultural Technology, 2023, 5: 100231.

[15]
赵峻, 聂志刚, 李广, 等. 基于无人机低空近景图像的玉米螟虫害检测方法[J]. 智慧农业(中英文), 2025, 7(6): 111-123.

ZHAO J, NIE Z G, LI G, et al. Corn borer pests infestations detection method using low-altitude close-range UAV imagery[J]. Smart Agriculture, 2025, 7(6): 111-123.

[16]
KINDA Z, MALO S, BAYALA T R. Detection of cotton diseases by YOLOv8 on UAV images using the RT-DETR backbone[C]// Ambient Intelligence-Software and Applications-15th International Symposium on Ambient Intelligence. Cham, Germany: Springer, 2025: 3-13.

[17]
刘慧, 王防修, 王意, 等. 轻量级改进RT-DETR的葡萄叶片病害检测算法[J]. 浙江大学学报(工学版), 2026, 60(3): 604-613.

LIU H, WANG F X, WANG Y, et al. Lightweight improved RT-DETR algorithm for grape leaf disease detection[J]. Journal of Zhejiang University (Engineering Science), 2026, 60(3): 604-613.

[18]
王风云, 王轩宇, 安磊, 等. 基于改进RT-DETR的菌棒栽培香菇检测方法[J]. 智慧农业(中英文), 2025, 7(5): 67-77.

WANG F Y, WANG X Y, AN L, et al. Detection method for log-cultivated shiitake mushrooms based on improved RT-DETR[J]. Smart Agriculture, 2025, 7(5): 67-77.

[19]
陈磊, 刘立波, 王晓丽. 2020年宁夏枸杞虫害图文跨模态检索数据集[J]. 中国科学数据, 2022, 7(3): 149-156.

CHEN L, LIU L B, WANG X L. A dataset of image-text cross-modal retrieval of Lycium barbarum pests in Ningxia in 2020[J]. China Scientific Data, 2022, 7(3): 149-156.

[20]
WU X P, ZHAN C, LAI Y K, et al. IP102: A large-scale benchmark dataset for insect pest recognition[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ, USA: IEEE, 2019: 8779-8788.

[21]
COULIBALY S, KAMSU-FOGUEM B, KAMISSOKO D, et al. Explainable deep convolutional neural networks for insect pest recognition[J]. Journal of Cleaner Production, 2022, 371: 133638.

[22]
甘吉元, 甘国珺. 农作物主要病虫害发生危害与综合防治技术[M]. 兰州: 甘肃科学技术出版社, 2021: 118-125.

[23]
吕佩珂, 高振江, 苏慧兰, 等. 猕猴桃 枸杞 樱桃病虫害诊断与防治原色图鉴[M]. 2版. 北京: 化学工业出版社, 2018: 82-117.

[24]
刘赛, 徐常青, 陈君. 枸杞病虫害防治技术[M]. 北京: 中国农业科学技术出版社, 2018.

[25]
WOO S, PARK J, LEE J Y, et al. CBAM: convolutional block attention module[C]// Computer Vision-ECCV 2018. Cham, Germany: Springer International Publishing, 2018: 3-19.

[26]
OUYANG D L, HE S, ZHANG G Z, et al. Efficient multi-scale attention module with cross-spatial learning[C]// ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Piscataway, New Jersey, USA: IEEE, 2023: 1-5.

[27]
MA X, DAI X Y, BAI Y, et al. Rewrite the stars[C]// 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway, New Jersey, USA: IEEE, 2024: 5694-5703.

[28]
LIN T Y, DOLLÁR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway, New Jersey, USA: IEEE, 2017: 936-944.

[29]
LIU S, QI L, QIN H F, et al. Path aggregation network for instance segmentation[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway, New Jersey, USA: IEEE, 2018: 8759-8768.

Outlines

/

〈 〉