基于ESM-YOLOv11轻量化深度学习的花生叶斑病实时检测与精准定量评估系统研究

本文推荐：本研究创新性地提出ESM-YOLOv11轻量化模型，通过高效多尺度注意力（EMA）模块、Slim-neck架构和最小点距交并比（MPDIoU）损失函数三重优化，实现花生叶斑病（LS）94.30%检测精度和96.90% mAP，CPU端推理速度达26.6 FPS（提升10.37%）。系统支持病斑面积比例计算与病情严重度评估（R2=0.98，准确率97.50%），为花生抗病品种筛选和精准施药提供关键技术支撑。

　　

Highlight

材料与方法

为实现花生叶斑病（LS）严重度的精准检测与量化，本研究改进YOLOv11n模型并将其整合至智能评估系统。整体研究路线如图1所示。

训练结果图谱分析

ESM-YOLOv11的训练动态如图9所示，损失函数曲线呈现强健的收敛特性。训练初期，train/box_loss、train/cls_loss和train/dfl_loss急剧下降，表明模型快速学习数据特征，验证了模型改进的有效性。随着训练推进，损失逐渐稳定，反映出模型后期的收敛性和稳定性。

讨论

后续章节将通过设备性能验证和花生LS病情评估对系统进行全面评价，并探讨未来研究方向。

结论

本研究提出的ESM-YOLOv11模型通过三项关键创新实现花生LS的实时检测与定量评估：1）EMA模块增强病斑特征表征；2）Slim-neck架构在降低模型复杂度的同时保持精度；3）MPDIoU损失函数提升复杂田间条件下的定位精度。实验结果表明，该模型在不同场景下均表现优异。

作者贡献声明

张亚鹏：原始稿撰写、概念设计、方法论构建、软件开发；刘娟：方法论、形式化分析、资金获取、数据管理；李尚周：验证、调研、资源协调；冯思凡：可视化、数据整理、软件实现；孙梓琪：资源调配、形式化分析、调研；崔亚楠：形式化分析、验证；刘海蛟：资源协调、调研；张娟娟：资源管理、监督指导、资金支持；Fernando Auat Cheein：验证、稿件修订。

基金支持

本研究获国家自然科学基金（32271993）、河南省科技研发联合基金（222301420114, 222301420113）、中国农业研究体系专项（CARS-13）、河南省重点科技计划等项目资助。

利益冲突声明

作者声明无已知可能影响本研究的财务利益或个人关系。