基于EHF-YOLOv11n的茄子病害检测方法

涂 卓1, 齐 逸2
1、重庆三峡科技大学
2、重庆三峡科技大学;重庆文理学院

摘要


针对茄子病害中病斑尺度小、边界模糊、纹理对比度弱和背景干扰显著等问题本文提出一种基于
YOLOv11n的改进检测模型EHF-YOLOv11n。该模型首先在骨干网络前端引入边缘信息增强Stem模块EIEStem
通过Sobel分支提取边缘结构信息并结合最大池化分支保留纹理细节与空间结构以缓解早期下采样造成的细粒
度信息衰减。其次在颈部网络中嵌入分层特征融合编码器HFFE利用空间注意力、空间权重矩阵和坐标注
意力增强低层细节信息与高层语义信息之间的交互减少背景噪声对病害特征表达的干扰。实验结果表明EHFYOLOv11n的精确率和mAP50分别达到85.6%和83.1%较YOLOv11n基线模型分别提升4.3和2.2个百分点。所提模
型能够提高自然环境下茄子病害目标的检测精度可为田间病害监测及后续部署优化提供参考。

关键词


茄子病害检测；YOLOv11n；目标检测；边缘信息增强；分层特征融合

全文:

PDF


参考


[1]Yan Z, Liang Y, Li Z, et al. Wax patterns, textural

properties, and quality attributes of two eggplant (solanum

melongena l.) cultivars during storage[J]. HortScience, 2024,

59(8): 1069-1076.

[2]Li Y, Li X, Fu R, et al. EDDet: efficient deepfusion and dynamic optimization for small target detection in

eggplant diseases[J]. BMC Plant Biology, 2025, 25(1): 1261.

[3]滕飞，王光远，代晨龙，等.改进YOLOX算法

的葡萄病害识别[J].中国农机化学报，2025，46（8）：

121-127.

[4]Zhu J, Chen J, He H, et al. CBACA-YOLOv5:

A symmetric and asymmetric attention-driven detection

framework for citrus leaf disease identification[J]. Symmetry,

2025, 17(4): 617.

[5]Kumar S, Kumar R, Gupta M, et al. A novel

approach for classification and detection of Apple leaf disease

using enhanced RBVT-Net with transfer learning and

YoloV7[J]. IEEE access, 2025.

[6]马 小 龙 李 春 树 崔 德 牛 等.基 于RSLYOLOv8的水稻病害检测模型[J].江苏农业科学2026

54（4）：237-244.

[7]Khanam R, Hussain M. Yolov11: An overview

of the key architectural enhancements[J]. arXiv preprint

arXiv:2410.17725, 2024.

[8]Zhang Y, Bao W, Yang Y, et al. HAFNet: Hierarchical

attention fusion network for infrared small target detection[J].

IEEE Transactions on Geoscience and Remote Sensing, 2025.


Refbacks

  • 当前没有refback。