基于无人机遥感与改进YOLO 11的水稻病害检测模型

来源：江苏农业科学杂志2025年第第20期北京时间：

作者：张耀军;吴桂玲;沈剑波

单位：1.信阳农林学院信息工程学院，河南信阳 464000； 2.温州科技职业学院智慧农业工程学院/温州农业具身智能体重点实验室，浙江温州 325006

摘要：细菌性叶枯病(BLB)、褐斑病(BS)和叶黑粉病(LS)是水稻作物的严重病害，检测是有效管理的第一步。当前检测方法面临着检测背景复杂、检测目标较小和模型参数较大等问题。针对这些问题，提出了一种基于无人机遥感和改进YOLO 11的水稻病害检测模型。首先，在骨干网络中融入RevCol模块，同时用ConvNeXt的层级结构替换YOLO 11的C3K2模块，该主干网络不仅有效降低了模型复杂度，同时确保了检测精度，提升了无人机场景下的实时性和适应性。其次，在颈部网络中引入GradDynFPN模块，该模块通过优化特征交互方式，减少了多尺度特征融合过程中的信息丢失或模糊问题，确保了上层特征在下层特征融合时能够保持其语义信息的完整性，同时避免了下层特征对上层特征的干扰，从而提高了模型的整体检测性能。最后，在检测头部分采用了LSCD-Head轻量检测头，该结构通过引入GroupNorm卷积和共享卷积设计，减少了参数量，并提升了分类和回归精度。结果表明，在无人机航拍的自建水稻病害数据集上，YOLO 11-RGL模型与YOLO 11模型相比平均识别精度mAP提高了4百分点，识别速度提高了12%，浮点运算数FLOPs降低了11.3%、参数量降低了34.4%。通过最终实际检测发现YOLO 11-RGL模型检测精度更高、速度更快且降低了小目标漏检率。

关键词：YOLO 11-RGL模型;YOLO 11模型;无人机遥感;水稻病害检测