摘要:针对温室种植环境中茄子果实病虫害检测所面临的场景复杂、 边缘部署难题以及模型参数量和时间复杂度高等挑战, 提出了一种 LDSE-YOLO 深度学习算法。该算法基于 YOLOv11n, 在其主干网络和颈部结构中引入轻量化 DSConv2d 卷积, 取代部分标准卷积操作, 并嵌入 ESE 注意力机制, 以增强模型对病虫害特征的提取与整合能力, 进而提升模型的检测精度和召 回 率。此 外, 通 过 在 头 部 将YOLOv11n 的损失函数优化为 Shape+NWD, 加速了改进后的 LDSE-YOLO 模型的收敛速度, 并有效降低了检测损失。与 YOLOv11n 等 5 个基线模型相比, LDSE-YOLO 算法在公开的茄子果实病虫害数据集上展现出显著的性能提升: (1) 性能平均精度均值 mAP@ 0. 5 和 mAP@ 0. 5: 0. 95 分别提高约 11 个百分点和 7 个百分点; (2) 在模型参数量和时间复杂度方面, 参数量平均减少了约 22. 36%, 计算量平均降低了约 12. 68%。通过 YOLOv8n~ YOLOv12n 等模型的对比分析, 在茄子病虫害检测任务中, LDSE-YOLO算法的优越性得到了充分凸显。该算法为智慧农业生产中茄子病虫害的高效检测提供了坚实的理论支撑, 具有重要的理论应用价值。

关键词: 轻量化; YOLOv11n 算法; 边缘部署; 智慧农业