来源：期刊VIP网 时间：
作者：陈自立;郭燕;王明鑫;林卫;王来刚;杨秀忠;刘剑君;郑恒彪;王爱国;
单位：河南省农业科学院农业信息技术研究所;河南师范大学计算机与信息工程学院;河南省烟草公司平顶山市公司;中国烟草总公司河南省公司;南京农业大学农学院;中国烟草总公司郑州烟草研究院;
摘要：针对烟草无人机遥感影像中病害植株尺度差异大、背景复杂、分辨率低等问题，本研究基于YOLOv10提出了一种轻量化病害检测算法——RT-YOLOv10,用于无人机影像烟草病害的高精度实时监测。首先，引入RFAConv卷积和SimAM无参注意力优化下采样模块，提高特征提取的精确性；引入DySample上采样，更准确地恢复颜色、纹理、边缘等病害识别有效信息；同时，设计一种双分支协同密集连接颈部结构，促进多层次语义信息的交互，提高网络对不同类型病害特征的学习与表达能力。其次，使用改进后的MS＿C2f、MS＿CSP模块分别替换主干和颈部网络中的C2f模块，增强网络对不同大小、形状病害植株的多尺度特征捕捉能力和特征融合效率，并利用内部嵌入的注意力机制聚焦关键信息、突出病害植株目标主体，减少因杂草、光斑等复杂背景干扰带来的误检漏检。最后，将原边界框损失函数替换为MPDIoU,进一步提高病害识别准确度。实验结果表明，RT-YOLOv10的标准版本RT-YOLOv10-s以7.4 M、33.3 GFLOPs的较低参数量和浮点运算量在精确率、召回率、平均精度均值mAP50和mAP50-95上分别达到97.2%、93.6%、97.5%和83.9%,相较于YOLOv10-s、YOLOv9-s、YOLOv8-s等对比模型均最优。RT-YOLOv10的更轻量化版本RT-YOLOv10-t在精确率、召回率、mAP50、mAP50-95上尽管有所下降，但仍分别达到95.5%、92.4%、97.2%、79.7%,且参数量仅为2.3 M,相较于YOLOv5-s、YOLOv6-s、YOLOv7-Tiny、YOLOv8-s、YOLOv9-s、YOLOv10-s分别降低67.1%、86.6%、61.7%、79.3%、76.3%、71.6%。综上，RT-YOLOv10能够满足实际应用的需求，并可部署在计算资源极其有限的边缘设备上，这为烟草病害的大面积精准监测提供了一种有效手段。
关键词：烟草病害检测;;无人机;;遥感影像;;深度学习;;轻量化;;YOLOv10
基金资助：国家重点研发计划项目“智能农情大数据数字孪生系统研发与应用示范”(2022YFD2001105);; 中国烟草总公司河南省公司科技项目“‘河南浓香’高端原料生产过程智能化监测技术体系构建”(2023410000240025);; 河南省烟草公司平顶山市公司科技项目“基于群智网络的烟叶生产管理研究与服务平台构建”(PYKJ202201)
