《Information Processing in Agriculture》：Efficient field-scale detection system of intensive rice lesions on edge devices
編輯推薦：
為解決復雜田間環境下密集、微小水稻病斑（如稻瘟病、褐斑�。┑膶崟r精準檢測難題，研究人員基于YOLOv8s，通過引入輕量級特征金字塔網絡(LFPN)、新型TRNet模塊、細節增強共享檢測頭(DES-head)及WIoU損失函數，開發了輕量檢測算法EFR-YOLO。該模型在參數減少49.11%的同時，實現了91.6%的mAP@0.5，并在Jetson Orin Nano邊緣設備上達到41.9 FPS的處理速度，為邊緣計算支持下的田間水稻病害自主巡檢提供了高效解決方案。
水稻是全球半數以上人口的主糧，其產量的穩定對糧食安全至關重要。然而，水稻在生長過程中極易受到稻瘟病和褐斑病等病害的侵襲，早期發病若不及時控制，可能導致減產超過30%。傳統的病害監測主要依靠人工田間巡視，這種方法不僅效率低下、成本高昂，而且嚴重依賴經驗，難以實現大面積田塊的實時、精準監控。近年來，盡管基于深度學習的目標檢測技術在農業病害識別中展現出潛力，但將其應用于復雜的田間環境仍面臨巨大挑戰：多變的自然光照、病斑目標本身微小且密集分布、以及邊緣計算設備有限的計算資源，都使得開發一套既精準又高效的實時檢測系統困難重重。
為了攻克這些難題，一篇發表在《Information Processing in Agriculture》上的研究提出了一種名為EFR-YOLO的輕量級檢測算法，旨在為田間尺度下的密集水稻病斑檢測提供一個穩定、高效的邊緣計算解決方案。
研究人員為開展此項研究，主要運用了以下幾項關鍵技術方法：首先，自主構建了名為BBD-Rice的水稻病害數據集，包含7840張圖像和47,313個標注的病斑實例，涵蓋稻瘟病和褐斑病兩類，并考慮了不同時段的光照變化以增強模型魯棒性。其次，在算法設計上，以YOLOv8s為基線模型，進行了四項核心改進：1) 設計了輕量級特征金字塔網絡(LFPN)，以更好地保留用于檢測小病斑的高分辨率細節特征；2) 提出了新型TRNet模塊替代原有的C2f模塊，在降低參數冗余的同時保持特征提取能力；3) 開發了細節增強共享檢測頭(DES-head)，通過參數共享和細節增強卷積(DEConv)提升對小目標的敏感性；4) 將邊界框回歸損失函數替換為WIoU，以加速訓練收斂并提升定位精度。最后，研究在PC和多種NVIDIA Jetson系列邊緣計算平臺（如Jetson Orin Nano）上進行了模型訓練、評估與部署驗證。
研究結果
3.1. 模型測試結果與分析
訓練過程顯示，EFR-YOLO相比基線模型YOLOv8s具有更低的初始損失和更高的收斂性能。在BBD-Rice測試集上的評估表明，EFR-YOLO的整體平均精度(mAP@0.5)達到91.6%，優于YOLOv8s的89.7%，尤其是在檢測微小的水稻褐斑病病斑方面表現更優。定性可視化結果證實，EFR-YOLO在復雜田間環境下能識別出更多病斑，且誤檢更少。
3.2. 消融實驗
通過系統的消融實驗驗證了各個改進模塊的有效性。逐步引入TRNet、DES-head、WIoU和LFPN模塊后，模型參數從11.2M大幅降至5.7M（減少49.1%），同時mAP@0.5從89.7%提升至91.6%，推理速度(FPS)也從170.6提升至190.2。實驗表明，LFPN結構雖然增加了計算量(FLOPs)，但顯著降低了參數量并提升了推理速度，是適用于邊緣設備的有效策略。
3.3. TRNet模塊的對比分析
與MobileNetV4、EfficientViT等其他輕量模塊對比，TRNet在參數量、FLOPs和推理速度上綜合表現更優。在參數e=0.5的設置下，TRNet在保持高精度(89.3% mAP@0.5)的同時，實現了196.2 FPS的推理速度，凸顯了其硬件友好型設計的高效性。
3.4. 共享卷積頭的對比分析
將DES-head中的細節增強卷積(DEConv)與標準卷積(Conv2d)及多種多樣化分支塊(DBB)變體進行對比。結果顯示，DEConv在取得最高mAP@0.5(90.4%)的同時，保持了可接受的推理速度，證明了其通過多分支差分卷積增強細粒度特征提取的有效性。
3.5. 不同IoU損失函數對檢測性能的影響
在對比的11種IoU系列損失函數中，WIoU取得了最佳的mAP@0.5(90.3%)。WIoU通過自適應機制，在訓練中減少對高質量樣本的幾何懲罰，并引入離群點感知權重，提升了模型對微小、密集病斑的定位能力，且不增加推理開銷。
3.6. 與代表性檢測框架的性能對比
與YOLOv5s、YOLOv7-Tiny、YOLOv10s等輕量模型，以及Faster R-CNN、YOLOv5m等非輕量模型對比，EFR-YOLO在參數量(5.7M)和計算量(28.3 GFLOPs)顯著更低的情況下，實現了最高的mAP@0.5(91.6%)和領先的推理速度(190.2 FPS)，在效率與精度間取得了最佳平衡。
3.7. 類別激活圖譜的模型解釋
利用Grad-CAM技術生成的熱力圖顯示，EFR-YOLO能夠有效地將注意力集中在圖像中的病斑區域，同時抑制背景干擾，這表明模型真正學習到了與病害相關的關鍵特征。
3.8. 在邊緣計算平臺上的性能評估
在Jetson Nano、Jetson Xavier NX和Jetson Orin Nano等多種邊緣設備上部署測試。在640×640輸入分辨率下，EFR-YOLO在Jetson Orin Nano上實現了49.1 FPS的實時處理速度，并保持了91.6%的高精度，其性能優于同分辨率下的YOLOv8s、YOLOv10s等模型。研究建議，在低算力設備上可選用320×320分辨率以優先保證速度，而在高性能設備上可選用640×640分辨率以最大化精度。
3.9. 誤差分析
對檢測失敗案例的分析顯示，錯誤主要分為漏檢（假陰性，約70%）和誤檢（假陽性，約30%）。漏檢主要發生在嚴重遮擋（如葉片重疊產生重影）和極端光照（過度曝光或深陰影）條件下；誤檢則多因泥土斑點等背景噪聲與病斑形態相似所致。這為未來模型在復雜場景下的魯棒性提升指明了方向。
研究結論與意義
本研究成功開發了面向田間密集水稻病斑檢測的輕量級框架EFR-YOLO。通過構建專用的BBD-Rice數據集，并系統性地集成LFPN、TRNet、DES-head和WIoU等創新模塊，該模型在顯著降低參數規模（減少49.11%）和計算成本的同時，實現了優異的檢測精度（91.6% mAP@0.5）和高速的推理性能。這打破了傳統檢測模型在精度與效率之間難以兼得的困局。
該研究的核心意義在于其強大的實用價值。EFR-YOLO模型并非停留在理論層面，其已在Jetson Orin Nano等邊緣計算設備上得到驗證，并成功部署于移動巡檢機器人平臺，證明了其在真實農田環境中進行穩定、高效、實時病害檢測的可行性。這為在計算資源受限的邊緣側實現水稻病害的早期發現、精準施藥和智能化田間管理提供了可靠的技術工具，推動了精準農業向實時化、智能化方向發展。
當然，研究也存在局限性，例如數據集的病害種類和地理多樣性有限，且未涵蓋雨、霧等惡劣天氣條件。未來的工作可以圍繞擴展數據集、增強模型在極端天氣下的泛化能力，以及探索聯邦學習等分布式學習范式以保護數據隱私并實現多設備協同優化等方面展開。盡管如此，本研究無疑為邊緣計算在農業病害實時監測領域的深入應用奠定了堅實的技術基礎，開辟了新的路徑。
