基于轻量化跨层混合特征增强网络（HFE-Net）的金针菜叶部病害精准检测与泛化研究

【编辑推荐】本研究针对金针菜叶部病害检测中特征融合不足、边缘信息丢失等问题，提出基于YOLOv11n的轻量化混合特征增强网络（HFE-Net）。通过跨层混合特征金字塔（H-FPN）、PixelShuffle上采样和高效串联融合模块（C2f-FEM），将mAP@50提升至95.5%，兼顾检测精度与实时性，为智慧农业提供高效解决方案。

　　

Highlight

本研究针对金针菜（Hemerocallis citrina）叶部病害检测的核心挑战——包括特征表征不足、上采样信息丢失和特征增强能力有限等问题，提出了一种轻量化高效检测模型HFE-Net。该模型通过跨层连接的混合特征金字塔网络（H-FPN）、结合动态注意力机制的高效特征增强模块（C2f-FEM），以及基于像素重组（PixelShuffle）的上采样技术，显著提升了复杂病变的检测性能。

数据集的构建

本研究所用金针菜叶部病害图像数据集采集自中国湖南长沙八方公园（2024年6-8月），采用佳能600D单反相机和iPhone 13 Pro手机多设备拍摄。拍摄时镜头距病斑10-20 cm，确保叶脉和病变细节清晰。

特征融合、上采样与特征增强模块的对比

为系统评估H-FPN结构的有效性，研究对比了四种特征融合架构（PANet、BiFPN、AFPN和H-FPN）与四种上采样方法（最近邻/双线性/双三次插值和PixelShuffle）。在固定主干网络和训练参数的条件下，实验证明H-FPN结合PixelShuffle能最优保留病变边缘信息，其mAP@50较传统方法提升7.2%。

结论

HFE-Net通过创新性融合跨层特征交互（H-FPN）、无插值上采样（PixelShuffle）和动态多尺度建模（C2f-FEM），在自定义数据集上将检测精度（mAP@50）从88.3%提升至95.5%。交叉框架验证（YOLOv5/v8/v12）和跨作物测试（葡萄/水稻/番茄/苹果叶片）进一步证实了其在复杂农业场景中的泛化能力。