YOLO11叶片病害检测提升 | 多尺度提取能力，一种多维联合注意力模块 | 2025年4月最新发表

原创

AI小怪兽

发布于 2025-05-27 05:33:03

8800

代码可运行

文章被收录于专栏：毕业设计毕业设计 YOLO大作战

运行总次数：0

代码可运行

💡💡💡叶片病害问题点：特征颜色、纹理及形态的多样性，加之光照条件变化，导致检测难度变大

💡💡💡解决方案：引入了一种多维联合注意力模块，该模块利用扩张卷积来捕捉不同尺度的特征信息，从而增强了模型的感受野和多尺度处理能力。

💡💡💡如何使用：1）直接作为注意力使用，加入backbone

MDJA加入backbone | mAP50从原始的0.528提升至 0.536，该方法使用其他任务的叶片病害检测任务

改进结构图如下：

1.咖啡叶病害检测介绍

原来的数据集包含 1899 个疾病标记，分布在潜叶蝇（540 个）、锈病（621 个）、壳针孢（464 个）和褐斑病（274 个）这几个类别中，未考虑健康叶片的标记。然而，在一位专家审查并修改了标注后，标记的总数显著增加，达到了 8226 个。其中，潜叶蝇、锈病、壳针孢和褐斑病分别有 341、6013、1671 和 201 个标记。标记数量的增加反映了在提高受疾病影响区域的代表性方面所做的努力，并确保了更准确的真实情况，从而使得该数据库在训练和评估模型方面更加稳健。

1.1咖啡叶病害检测数据集介绍

数据集大小：

 1213 images for training
351 Images for validation
180  Images for testing

类别4类：

 nc: 4
names: ['Cercospora', 'Miner', 'Phoma', 'Rust']

细节图：

标签可视化分析

2.原理介绍

引入了一种多维联合注意力模块（MDJA），该模块利用扩张卷积来捕捉不同尺度的病灶信息，从而增强了模型的感受野和多尺度处理能力。

3.如何提升叶片病害检测精度

3.1 原始网络性能

实验结果如下：

原始mAP50为0.528

YOLO11 summary (fused): 238 layers, 2,582,932 parameters, 0 gradients, 6.3 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 11/11 [00:10<00:00,  1.01it/s]
                   all        351       1580      0.513       0.56      0.528      0.281
            Cercospora         25         39      0.352      0.205      0.228      0.125
                 Miner         69        111      0.577      0.892      0.784      0.521
                 Phoma        134        254       0.58      0.591      0.612      0.321
                  Rust        144       1176      0.544      0.552      0.487      0.155

3.2 MDJA加入backbone

mAP50从原始的0.528提升至 0.536

YOLO11-MDJA summary (fused): 318 layers, 5,099,956 parameters, 0 gradients, 9.0 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 11/11 [00:11<00:00,  1.08s/it]
                   all        351       1580      0.549      0.521      0.536      0.279
            Cercospora         25         39      0.349      0.256      0.242       0.14
                 Miner         69        111      0.696      0.743      0.787      0.501
                 Phoma        134        254      0.591      0.512       0.59      0.312
                  Rust        144       1176      0.561      0.572      0.524      0.164