[1]张耀军,吴桂玲,沈剑波.基于无人机遥感与改进YOLO 11的水稻病害检测模型[J].江苏农业科学,2025,53(20):219-231.
　Zhang Yaojun,et al.A rice disease detection model based on UAV remote sensing and improved YOLO 11[J].Jiangsu Agricultural Sciences,2025,53(20):219-231.
点击复制

基于无人机遥感与改进YOLO 11的水稻病害检测模型()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第20期
页码:
219-231
栏目:
病虫害智能检测
出版日期:
2025-10-20

文章信息/Info

Title:
A rice disease detection model based on UAV remote sensing and improved YOLO 11
作者:
张耀军1; 吴桂玲1; 沈剑波2
1.信阳农林学院信息工程学院，河南信阳 464000； 2.温州科技职业学院智慧农业工程学院/温州农业具身智能体重点实验室，浙江温州 325006
Author(s):
Zhang Yaojun; et al
关键词:
YOLO 11-RGL模型; YOLO 11模型; 无人机遥感; 水稻病害检测
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
细菌性叶枯病(BLB)、褐斑病(BS)和叶黑粉病(LS)是水稻作物的严重病害，检测是有效管理的第一步。当前检测方法面临着检测背景复杂、检测目标较小和模型参数较大等问题。针对这些问题，提出了一种基于无人机遥感和改进YOLO 11的水稻病害检测模型。首先，在骨干网络中融入RevCol模块，同时用ConvNeXt的层级结构替换YOLO 11的C3K2模块，该主干网络不仅有效降低了模型复杂度，同时确保了检测精度，提升了无人机场景下的实时性和适应性。其次，在颈部网络中引入GradDynFPN模块，该模块通过优化特征交互方式，减少了多尺度特征融合过程中的信息丢失或模糊问题，确保了上层特征在下层特征融合时能够保持其语义信息的完整性，同时避免了下层特征对上层特征的干扰，从而提高了模型的整体检测性能。最后，在检测头部分采用了LSCD-Head轻量检测头，该结构通过引入GroupNorm卷积和共享卷积设计，减少了参数量，并提升了分类和回归精度。结果表明，在无人机航拍的自建水稻病害数据集上，YOLO 11-RGL模型与YOLO 11模型相比平均识别精度mAP提高了4百分点，识别速度提高了12%，浮点运算数FLOPs降低了11.3%、参数量降低了34.4%。通过最终实际检测发现YOLO 11-RGL模型检测精度更高、速度更快且降低了小目标漏检率。
Abstract:
-

参考文献/References:

［1］Roy N，Debnath P，Gaur H S. Adoption of multi-omics approaches to address drought stress tolerance in rice and mitigation strategies for sustainable production［J］. Molecular Biotechnology，2025：1-13.
［2］陈文博. 基于CNN和FPGA的稻米品种识别与质量检测研究［D］. 武汉：武汉轻工大学，2024：1-55.
［3］Conde S，Catarino S，Ferreira S，et al. Rice pests and diseases around the world：literature-based assessment with emphasis on Africa and Asia［J］. Agriculture，2025，15(7)：667.
［4］de Clercq D，Mahdi A. Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis and remote sensing data［J］. Agricultural Systems，2024，220：104099.
［5］Nie L，Peng S. Rice production in China［J］. Rice production worldwide，2017：33-52.
［6］Lienhart R，Maydt J. An extended set of haar-like features for rapid object detection［C］//Proceedings of the international conference on image processing. Piscataway：IEEE，2002：900-903.
［7］Tomasi C. Histograms of oriented gradients［J］. Computer Vision Sampler，2012，1：1-6.
［8］Ren S，He K，Girshick R，J Sun. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Trans Pattern Anal Mach Intell，2017，39：1137-1149.
［9］Diwan T，Anirudh G，Tembhurne J V. Object detection using YOLO：Challenges，architectural successors，datasets and applications［J］. Multimedia Tools and Applications，2023，82(6)：9243-9275.
［10］Qian H，Wang H，Feng S，et al. FESSD：SSD target detection based on feature fusion and feature enhancement［J］. Journal of Real-Time Image Processing，2023，20(1)：2.
［11］Bari B S，Islam M N，Rashid M，et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework［J］. PeerJ Computer Science，2021，7：e432.
［12］Zhou G，Zhang W，Chen A，et al. Rapid detection of rice disease based on FCM-KM and faster R-CNN fusion［J］. IEEE Access，2019，7：143190-143206.
［13］Tian L，Zhang H，Liu B，et al. VMF-SSD：A Novel v-space based multi-scale feature fusion SSD for apple leaf disease detection［J］. IEEE/ACM Transactions on Computational Biology and Bioinformatics，2022，20(3)：2016-2028.
［14］Wang J，Yu L，Yang J，et al. DBA_SSD：A novel end-to-end object detection algorithm applied to plant disease detection［J］. Information，2021，12(11)：474.
［15］Sangaiah A K，Yu F N，Lin Y B，et al. UAV T-YOLO-rice：an enhanced tiny YOLO networks for rice leaves diseases detection in paddy agronomy［J］. IEEE Transactions on Network Science and Engineering，2024，11(6)：5201-5216.
［16］Pan P，Guo W，Zheng X，Hu L，Zhou G，Zhang J.Xoo-YOLO：a detection method for wild rice bacterial blight in the field from the perspective of unmanned aerial vehicles［J］. Frontiers in Plant Science，2023，14：1256545.
［17］Anandakrishnan J，Sangaiah A K，Son N K，et al. UAV-based deep learning with tiny-YOLO v9 for revolutionizing paddy rice disease detection［C］//2024 IEEE International Conference on Smart Internet of Things (SmartIoT).IEEE，2024：16-21.
［18］Liao Y，Li L，Xiao H，et al. YOLO-MECD：citrus detection algorithm based on YOLO v11［J］. Agronomy，2025，15(3)：687.
［19］Khanam R，Hussain M. YOLO v11：an overview of the key architectural enhancements［EB/OL］. (2024-10-23)［2025-01-01］. http://doi.org/10.48550/arXiv. 2410.17725.
［20］Cai Y X，Zhou Y Z，Han Q. Reversible column networks［EB/OL］. (2022-12-22)［2025-01-01］. http://doi.org/10.48550/arXiv.2212.11696.
［21］Yu W，Zhou P，Yan S，Wang X. Inceptionnext：when inception meets convnext［C］//Proceedings of the IEEE/cvf conference on computer vision and pattern recognition.2024：5672-5683.
［22］Doherty J，Gardiner B，Kerr E，et al. BiFPN-yolo：one-stage object detection integrating bi-directional feature pyramid networks［J］. Pattern Recognition，2025，160：111209.
［23］Yang G，Lei J，Zhu Z，et al. AFPN：asymptotic feature pyramid network for object detection［C］//2023 IEEE International Conference on Systems，Man，and Cybernetics (SMC).IEEE，2023：2184-2189.
［24］李彦勤，王晓婷. 基于改进FPN模型的西瓜幼苗智能识别方法 ［J］. 中国农机化学报，2024，45 (12)：148-153.
［25］Wang J，Chen K，Xu R，et al. Carafe：content-aware reassembly of features［C］//Proceedings of the IEEE/CVF international conference on computer vision.2019：3007-3016.
［26］Li Y H，Yang W Z，Wang L J，et al. Hawkeye conv-driven YOLO v10 with advanced feature pyramid networks for small object detection in UAV imagery［J］. Drones，2024，8(12)：2504-446X.
［27］Wu Y，He K. Group normalization［C］//Proceedings of the European Conference on Computer Vision (ECCV).2018：3-19.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2025-05-11
基金项目：河南省科技攻关项目(编号：252102111173)；河南省高等学校重点科研项目(编号：24B520035)
作者简介：张耀军(1979—)，男，河南信阳人，博士，副教授，研究方向为机器学习与人工智能。E-mail：zyj@xyafu.edu.cn。
通信作者：吴桂玲，博士，讲师，研究方向为图像处理与模式识别。E-mail：guiling@xyafu.edu.cn。
更新日期/Last Update: 2025-10-20