[1]张芳君,尚冠宇.基于改进YOLO v12的轻量化柑橘病害智能检测[J].江苏农业科学,2026,54(9):241-250.
　Zhang Fangjun,et al.Lightweight intelligent detection of citrus diseases based on improved YOLO v12[J].Jiangsu Agricultural Sciences,2026,54(9):241-250.
点击复制

基于改进YOLO v12的轻量化柑橘病害智能检测()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第9期
页码:
241-250
栏目:
农业工程与信息技术
出版日期:
2026-05-05

文章信息/Info

Title:
Lightweight intelligent detection of citrus diseases based on improved YOLO v12
作者:
张芳君1; 2; 尚冠宇1; 3
1.郑州西亚斯学院工学部，河南郑州 451150； 2.河南省智能制造数字孪生工程研究中心，河南郑州 451150；3.河南省农业信息数智化工程研究中心，河南郑州 451150
Author(s):
Zhang Fangjun; et al
关键词:
柑橘病害; 智能检测; 改进YOLO v12; 多感受野特征复用; 动态稀疏注意力融合; 自适应空间上下文聚合
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对在柑橘病害检测任务中存在病斑尺度多变、特征相似、小目标漏检及轻量化部署等问题，提出一种基于改进YOLO v12的轻量化柑橘病害智能检测方法。首先，设计了多感受野特征复用模块，通过多分支结构与重参数化技术，增强模型对病斑细节与全局上下文的自适应提取能力。然后，引入动态稀疏注意力融合机制，利用可学习的稀疏采样偏移与坐标注意力，实现多尺度特征间的精准空间对齐，并显著提升模型对小尺度病斑的判别力。最后，设计轻量级自适应空间上下文模块，通过高效的多路径上下文聚合与通道注意力机制，优化预测特征的质量。试验结果表明，各改进模块在柑橘病害检测任务中具有优异的协同性，本研究模型在小幅增加模型参数与计算量的前提下获得了较高的检测精度，mAP@0.5、sAP@0.5分别达93.2%、68.5%，同时保持高达174 帧/s的推理速度。
Abstract:
-

参考文献/References:

［1］张天宇，杨钙仁，何寻阳，等. 柑橘黄龙病检测及防控方法研究进展［J］. 科技导报，2024，42(11)：75-83.
［2］陈先锐，吴艳玲，林甲胜，等. 柑橘黄龙病致病机理和防控技术研究进展［J］. 广西科学，2025，32(2)：245-254.
［3］魏冬，豆威，王进军.我国柑橘主要病虫害综合防控理论与实践［J］. 植物保护，2025，51(5)：422-433，441.
［4］James J A，Manching H K，Mattia M R，et al. CitDet：a benchmark dataset for Citrus fruit detection［J］. IEEE Robotics and Automation Letters，2024，9(12)：10788-10795.
［5］刘杰帆，林铭佳，张建桃，等. 基于CiteSpace可视化分析的柑橘黄龙病研究进展［J］. 果树学报，2023，40(4)：771-787.
［6］代文静，秦宏坤，徐未，等. 基于激光诱导击穿光谱鉴别柑橘黄龙病［J］. 厦门大学学报(自然科学版)，2025，64(5)：768-774.
［7］赵玉清，贾奥莹，王白娟，等. 柑橘果实采摘机器人目标识别算法研究进展［J］. 江苏农业学报，2024，40(8)：1552-1560.
［8］宋中山，汪进，郑禄，等. 基于二值化的Faster R-CNN柑橘病虫害识别研究［J］. 中国农机化学报，2022，43(6)：150-158.
［9］刘彩红，王晓婷.基于改进Mask R—CNN的稻田杂草智能检测方法［J］. 中国农机化学报，2025，46(11)：98-108.
［10］刘志，翟瑞芳，彭万伟，等. 融合注意力机制的Cascade R-CNN田间害虫检测方法［J］. 华中农业大学学报，2023，42(3)：133-142.
［11］张小花，李浩林，李善军，等. 基于EfficientDet-D1的草莓快速检测及分类［J］. 华中农业大学学报，2022，41(6)：262-269.
［12］李大华，孔舒，李栋，等. 基于改进SSD模型的柑橘叶片病害轻量化检测模型［J］. 浙江农业学报，2024，36(3)：662-670.
［13］朱雨，郝晓丽，牛保宁，等. RetinaNet目标检测算法改进［J］. 计算机工程与设计，2024，45(11)：3271-3278.
［14］郑宇达，陈仁凡，杨长才，等. 基于改进YOLO v5s模型的柑橘病虫害识别方法［J］. 华中农业大学学报，2024，43(2)：134-143.
［15］靳怡婷，李俊萩，张晴晖.基于改进YOLO v7—tiny轻量化模型的复杂环境下柑橘果实识别方法［J］. 中国农机化学报，2025，46(9)：153-162，2.
［16］李萌民，刘朔，欧阳宇，等. 基于YOLO v8n的高效轻量化柑橘叶片病害检测模型［J］. 浙江农业学报，2025，37(10)：2198-2208.
［17］Zhang L，Liang Q Y，John V，et al. Intelligent psyllid monitoring based on DiTs-YOLO v10-SOD［J］. IEEE Transactions on AgriFood Electronics，2025，3(1)：286-294.
［18］Wang L X，Wang Z S，Zhao X Y，et al. Enhanced research on YOLO v12 detection of apple defects by integrating filter imaging and color space reconstruction［J］. Electronics，2025，14(21)：4259.

相似文献/References:

[1]尚冠宇,李晓辉.基于混合注意力机制与改进YOLO v11的花生叶片病害检测方法[J].江苏农业科学,2026,54(4):195.
　Shang Guanyu,et al.A peanut leaf disease detection method based on hybrid attention mechanism and improved YOLO v11[J].Jiangsu Agricultural Sciences,2026,54(9):195.

备注/Memo

备注/Memo:
收稿日期：2025-12-23
基金项目：河南省科技发展计划(编号：252102110375)。
作者简介：张芳君(1992—)，女，河南新密人，硕士，工程师，主要从事图像处理与人工智能的研究。E-mail：fjunzh@126.com。
更新日期/Last Update: 2026-05-05