一个轻量级的边缘部署框架,用于基于修剪和蒸的智能水疾病监测.
Wei Liu1,2, Baoquan Duan1,2, Zhipeng Fan1,2
1Harbin University of Commerce, Harbin 150028, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究介绍了SCD-YOLOv11n,这是一种轻量级的人工智能模型,用于检测大米叶病. 它实现了高精度和速度,非常适合智能农业和数字农业应用.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 数字农业和智能农业需要有效的作物健康监测.
- 叶病严重影响作物产量,需要精确的检测方法.
- 现场图像带来了诸如小病变,变化的光线和背景杂乱等挑战.
研究的目的:
- 开发一种轻量级的物体检测模型,用于识别大米叶病.
- 为了平衡实际农业应用的检测精度和计算效率.
- 为了应对小,多层次的病变和复杂的图像条件的挑战.
主要方法:
- 研究了SCD-YOLOv11n,这是一台轻量级探测器,具有StarNet骨干和C3k2-Star模块,用于多级特征提取.
- 引入了一个细节强化交叉尺度检测 (DSCD) 头来增强小病变的局部化.
- 采用基于DepGraph的混合组规范化修剪和通道智能的特征蒸,用于模型压缩.
主要成果:
- 压缩的SCD-YOLOv11n模型只需要1.9 MB的存储空间.
- 实现了高检测性能,97.4%的mAP@50和76.2%的mAP@50:95.
- 在测试条件下表现出184 FPS的快速处理速度.
结论:
- SCD-YOLOv11n提供了一个可行的解决方案,用于准确和计算效率高的病监测.
- 该模型的轻量级设计适用于数字农业和智能农业系统的部署.
- 为在农业环境中开发高效的物体探测器提供了定量基准.


