基于改进YOLOv11的葡萄叶片害虫检测

来源：江苏农业科学杂志2026年第第4期北京时间：

作者：范明超;高欣峰

单位：青岛农业大学动漫与传媒学院，山东青岛 266109

摘要：葡萄是全球重要的果树作物，害虫高发已成为限制其稳产优质的关键因素。传统人工识别方法存在效率低、主观性强等不足，难以满足精准防控需求。为实现葡萄叶片害虫的快速与高精度检测，提出改进模型YOLO v11-GrapePest。首先构建覆盖大青叶蝉、十星叶甲、绿盲蝽等7类典型害虫的数据集，并结合传统数据增强与Gemini-2.5-Flash-Image模型生成雾天、夜天与雨天等复杂环境样本，以提升数据多样性与模型泛化能力。在模型结构上，以C3K2多支路并行架构为基础，嵌入PConv并融合深度可分离卷积、ECA注意力与轻量化MLP，形成C3K2_PConvX模块，从而替代原生C3K2；采用EUCB模块优化颈部上采样结构；在MCA注意力机制基础上，引入稀疏约束与Softmax自适应加权，提出改进的S_MCA注意力机制；将CIoU损失替换为MPDIoU，以提升边界框回归精度与收敛速度。结果表明，YOLO v11-GrapePest的精确率、召回率和mAP@0.5分别达到95.1%、90.5%与 95.0%，相较原始YOLO v11分别提升2.4、3.8、2.4百分点，同时降低了模型参数和计算量，推理速度提升至85.2帧/s，在检测精度、轻量化与实时性方面均优于RT-DETR-R18、Faster R-CNN、YOLO v8n等主流模型。YOLO v11-GrapePest能在复杂背景和多变天气条件下稳定识别葡萄害虫，为葡萄害虫的智能监测与精准防控提供有效技术支撑。

关键词：葡萄叶片害虫;C3K2_PConvX;EUCB;S_MCA;MPDIoU