QMDF-YOLO11：复杂场景下水稻害虫检测算法

来源：计算机工程与应用杂志2025年第13期北京时间：

作者：熊干, 陈慈发, 张上

单位：三峡大学 计算机与信息学院，湖北 宜昌 443000

摘要：在复杂场景下的水稻害虫检测中，传统YOLOv11模型面临小目标识别能力不足和多尺度特征融合效果不佳的挑战。为解决这些问题，提出了一种基于YOLOv11的改进检测模型QMDF-YOLO11。提出了全新的特征融合网络（QS-RepGFPN），替换原模型的neck结构，通过多层次特征的高效融合，显著增强了对小目标的感知能力和检测效果。主干网络引入调制可变形卷积（MDConv），增强了网络对变形目标的鲁棒性和表达能力，同时采用动态上采样（DySample）替代传统上采样方法，提高了多尺度特征融合过程中的插值精度。此外，结合QS-RepGFPN结构创新设计了四检测头——QASFFHead（quadruple adaptive spatial fusion head），进一步优化了多尺度特征的利用和融合，提升了模型在不同尺度目标检测中的精度和效率。实验结果表明，改进后的模型在RicePests数据集上的mAP@0.5达到94.57%（提升了5.26个百分点），P（精度）和mAP@0.5：0.95分别提升了5.89个百分点和7.46个百分点，在复杂背景和密集小目标场景中表现尤为突出。同时，模型参数量和计算量的增加保持在合理范围内，确保了高效的推理速度。实验结果表明改进模型适用于资源有限的农业监测平台，具备实时目标检测的潜力，为智慧农业的进一步发展提供参考。

关键词：水稻害虫检测,小目标检测,多尺度特征融合,YOLOv11,智慧农业