《农业工程学报》2025年第41卷第24期刊载了陕西理工大学等单位曾昆峰、张鹏超、王磊、吴凡凡、崔金凯与马文星的论文——“基于改进YOLOv11n的轻量化茶叶病虫害识别方法”。该研究由国家自然科学基金项目（项目号：62176146）资助。

引文信息：曾昆峰，张鹏超，王磊，等. 基于改进YOLOv11n的轻量化茶叶病虫害识别方法[J]. 农业工程学报，2025，41(24)：220-229. 

DOI:  10.11975/j.issn.1002-6819.202508036

点击阅读全文：基于改进YOLOv11n的轻量化茶叶病虫害识别方法

研究目的与方法：

针对茶叶病虫害检测模型面临的精度低、计算复杂度高等问题，提出了一种基于改进YOLOv11n的轻量化高精度模型WGSE-YOLOv11n。首先，为提升对多尺度病斑特征的捕捉能力，该研究在主干网络中设计了一种小波变换动态卷积架构WGD（wavelet transform GhostDynamic convolution architecture），该架构融合了小波池化（WaveletPool）模块的频域分解能力与动态卷积（C3k2-GhostDynamic）模块的轻量化特性，能在减少参数量的同时增强特征表达；其次，为强化对微小病斑及复杂边界的识别精度，在颈部网络设计小波池化星型融合网络WSF（wavelet unpooling StarFusion network），结合WaveletUnPool上采样和StarFusion特征增强模块，有效重建病斑的结构信息与纹理细节；最后，引入一种轻量级高效检测头（EfficientHead），通过GroupConv分组卷积进行通道分组进一步降低参数量和计算量。

结果与结论：

试验结果表明，该模型在自建数据集上实现了97.64%精确率、97.87%召回率和99.08%的模型平均精度，较基准模型YOLOv11n分别提升了0.24、3.62和0.77个百分点；同时参数量、计算量和模型大小分别压缩至1.51M、3.3G和3.2MB，较基准模型降低41.5%、47.6%和39.6%；嵌入式设备检测帧率达到26.14帧/s，单幅图像平均推理时间为14 ms。证明了该模型在大幅降低网络计算量的同时保持较高的识别精度，能够满足在移动端和嵌入式设备的部署要求。

支持单位：