Frontiers in Plant Science 16 2026-10-12·10月12日 · 周一论文农业人工智能与决策模型阅读 1
Detection of yam leaf diseases and pest damage under complex field conditions using LIMN-YOLO
论文解读
75精选
速览
提出轻量级LIMN-YOLO模型，在复杂田间条件下检测山药叶部病害与虫害。
方法
基于YOLO11n改进，引入非均匀退化增强、跨尺度融合与尺度敏感回归，用1434
发现
[email protected]达0.8792，[email protected]:0.95达0.7182，较基线显著提升且稳定性好。
机会点
可探索轻量模型在移动端/边缘设备的实时部署，并扩展至更多作物与多病害联合检测。
影响力15
信息增量21
专业深度18
信源权威13
时效性8
基于YOLO11n的轻量级山药叶部病害检测模型，方法有针对性改进且实验数据扎实，属细分领域技术进展。
原文摘要
Bibo Lu、Yuanqi Ren(河南理工大学)、Jie Yang(焦作农林科学研究院特色农业研究所)、Yanjun Lu(北京航空航天大学/河南理工大学)在《Frontiers in Plant Science》2026-10-12接受的论文,基于YOLO11n提出LIMN-YOLO轻量级山药叶部病害及虫害检测模型,在田间遮挡与不均匀光照等复杂条件下的小目标识别难题进行针对性改进。模型引入非均匀退化增强、响应引导跨尺度融合与尺度敏感的边界框回归,在包含1,434张图像、9,221个标注实例的四类山药病害数据集上,[email protected]与[email protected]:0.95分别达到0.8792与0.7182,较基线YOLO11n显著提升;三次随机种子对比实验显示模型稳定性较好。