[1]范明超,高欣峰.基于改进YOLOv11的葡萄叶片害虫检测[J].江苏农业科学,2026,54(4):289-300.
　Fan Mingchao,et al.Detection of grape leaf pests based on improved YOLO v11[J].Jiangsu Agricultural Sciences,2026,54(4):289-300.
点击复制

基于改进YOLOv11的葡萄叶片害虫检测()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第4期
页码:
289-300
栏目:
病虫害智能检测
出版日期:
2026-02-20

文章信息/Info

Title:
Detection of grape leaf pests based on improved YOLO v11
作者:
范明超; 高欣峰
青岛农业大学动漫与传媒学院，山东青岛 266109
Author(s):
Fan Mingchao; et al
关键词:
葡萄叶片害虫; C3K2_PConvX; EUCB; S_MCA; MPDIoU
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
葡萄是全球重要的果树作物，害虫高发已成为限制其稳产优质的关键因素。传统人工识别方法存在效率低、主观性强等不足，难以满足精准防控需求。为实现葡萄叶片害虫的快速与高精度检测，提出改进模型YOLO v11-GrapePest。首先构建覆盖大青叶蝉、十星叶甲、绿盲蝽等7类典型害虫的数据集，并结合传统数据增强与Gemini-2.5-Flash-Image模型生成雾天、夜天与雨天等复杂环境样本，以提升数据多样性与模型泛化能力。在模型结构上，以C3K2多支路并行架构为基础，嵌入PConv并融合深度可分离卷积、ECA注意力与轻量化MLP，形成C3K2_PConvX模块，从而替代原生C3K2；采用EUCB模块优化颈部上采样结构；在MCA注意力机制基础上，引入稀疏约束与Softmax自适应加权，提出改进的S_MCA注意力机制；将CIoU损失替换为MPDIoU，以提升边界框回归精度与收敛速度。结果表明，YOLO v11-GrapePest的精确率、召回率和mAP@0.5分别达到95.1%、90.5%与 95.0%，相较原始YOLO v11分别提升2.4、3.8、2.4百分点，同时降低了模型参数和计算量，推理速度提升至85.2帧/s，在检测精度、轻量化与实时性方面均优于RT-DETR-R18、Faster R-CNN、YOLO v8n等主流模型。YOLO v11-GrapePest能在复杂背景和多变天气条件下稳定识别葡萄害虫，为葡萄害虫的智能监测与精准防控提供有效技术支撑。
Abstract:
-

参考文献/References:

［1］吕书平，郭荣荣，再吐娜·买买提，等.鲜食葡萄贮藏保鲜技术应用的思考［J］. 中国农技推广，2019，35(9)：24-27.
［2］吕科，张建海，董雪洁，等.促早栽培措施对葡萄果实品质影响的研究进展［J］. 中外葡萄与葡萄酒，2020，45(2)：64-67.
［3］马雯轩，屠超凡，张浩源，等. 我国葡萄常见病虫害及防治措施［J］. 现代农业科技，2025，54(20)：52-56.
［4］杨勇，杨俊祥，宫霞，等. 葡萄及葡萄属植物中的天然活性物质研究与利用现状［J］. 酿酒科技，2011，35(6)：75-79.
［5］王灿，杨晨露，王华，等.葡萄籽油生理功能及应用综述［J］. 中外葡萄与葡萄酒，2020，45(6)：66-71.
［6］徐敏. 葡萄的病虫害防治与田间管理技术［J］. 农业灾害研究，2022，12(1)：10-12.
［7］韦峰. 葡萄栽培管理和病虫害防治技术［J］. 种子科技，2025，43(11)：135-137.
［8］夏如兵. 建国以来中国昆虫学的主要成就及其发展动因［D］. 南京：南京农业大学，2002：68.
［9］潘鑫. 基于空间金字塔注意力的水稻虫害分类方法研究［D］. 长春：吉林农业大学，2024：3-4.
［10］Girshick R，Donahue J，Darrell T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus，OH，USA：IEEE，2014：580-587.
［11］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6)：1137-1149.
［12］Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA：IEEE，2016：779-788.
［13］Redmon J，Farhadi A. YOLO9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu，HI：IEEE，2017：7263-7271.
［14］Zhao Y A，Lv W Y，Xu S L，et al. DETRs beat YOLOs on real-time object detection［C］//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，WA，USA：IEEE，2024：16965-16974.
［15］Vaswani A，Shazeer N，Parmar N，et al. Attention is all you need［EB/OL］. arXiv preprint(2023-08-02)［2025-05-08］. https：//arxiv.org/abs/1706.03762.
［16］李颖多，孙国玺，李新超. 基于机器视觉的轴承表面缺陷检测与分拣系统设计［J/OL］. 机床与液压，2025：1-8(2025-10-30)［2025-11-17］. https：//link.cnki.net/urlid/44.1259.th.20251029.1713.070.
［17］曹亮，肖伟，李湘丽. YOLO算法及其在农作物识别及病虫害检测应用综述［J］. 仲恺农业工程学院学报，2025，38(6)：60-71.
［18］周月. 基于深度学习的葡萄病虫害识别［D］. 杭州：浙江农林大学，2024：1-58.
［19］刘港. 基于深度学习的葡萄虫害识别算法研究［D］. 雅安：四川农业大学，2024：1-68.
［20］祁昕. 基于深度学习的葡萄病虫害识别模型的构建及应用研究［D］. 西安：西安建筑科技大学，2022：1-52.
［21］Wang C X，Wang L Y，Ma G，et al. CSF-YOLO：a lightweight model for detecting grape leafhopper damage levels［J］. Agronomy，2025，15(3)：741.
［22］Wang C X，Tian W X，Ma G，et al. Accurate identification of grade of grape damage by Brevipalpus spp.based on the improved YOLO v8n model［J］. Applied Sciences，2025，15(5)：2712.
［23］Khanam R，Hussain M. YOLO v11：an overview of the key architectural enhancements［J］. arXiv preprint(2024-10-23)［2025-05-08］. https：//arxiv.org/abs/2410.17725.
［24］Chen J R，Kao S H，He H，et al. Run，dont walk：chasing higher FLOPS for faster neural networks［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver，BC，Canada：IEEE，2023：12021-12031.
［25］吴晗. 基于红外与可见光图像融合的光伏组件热斑检测方法研究［D］. 合肥：安徽建筑大学，2025：43.
［26］姜晟久，钟国韵. 基于可分离扩张卷积和通道剪枝的番茄病害分类方法［J］. 江苏农业科学，2024，52(2)：182-189.
［27］Balasundaram A，Mohanty A，Shaik A，et al. Zero-DCE++ inspired object detection in less illuminated environment using improved YOLOv5［J］. Computers，Materials & Continua，2023，77(3)：2751-2769.
［28］Rukundo O，Cao H. Nearest neighbor value interpolation［J］. arXiv preprint(2019-05-04)［2025-05-08］. https：//arxiv.org/abs/1211.1768.
［29］谢从珍，黄梦成，黄奕琅，等. 基于WMEF-YOLO的绝缘子缺陷图像检测方法［J/OL］. 高电压技术，2025：1-13(2025-07-14)［202 5-11-19］. https：//doi.org/10.13336/j.1003-6520.hve.20250429.
［30］Rahman M M，Munir M，Marculescu R. EMCAD：efficient multi-scale convolutional attention decoding for medical image segmentation［C］//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，WA，USA：IEEE，2024：11769-11779.
［31］Wang C Y，Bochkovskiy A，Liao H M. YOLOv7：trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver，BC，Canada：IEEE，2023：7464-7475.
［32］Yu Y，Zhang Y，Cheng Z Y，et al. MCA：multidimensional collaborative attention in deep convolutional neural networks for image recognition［J］. Engineering Applications of Artificial Intelligence，2023，126：107079.
［33］Ma S，Xu Y. Mpdiou：a loss for efficient and accurate bounding box regression［J］. arXiv preprint (2023-07-14)［2025-05-08］. https：//arxiv.org/abs/2307.07662.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2025-12-22
基金项目：2024年度青岛市科技惠民示范专项(编号：24-1-8-xdny-12-nsh)。
作者简介：范明超(2001—)，女，山东青岛人，硕士研究生，主要从事农业工程与信息技术研究。E-mail：shun960707@163.com。
通信作者：高欣峰，博士，教授，主要从事农业传播研究。E-mail：xfgao@qau.edu.cn。
更新日期/Last Update: 2026-02-20